amazon-s3 - 检查 Databricks 笔记本中是否存在 S3 目录

Question

我正在 Databricks 工作，我正在尝试从按序列排序的 S3 实例中获取 Parquet 数据，但序列的某些部分丢失了。因此文件系统可能如下所示:

 's3a://databricks-data/STAGING/18',
 's3a://databricks-data/STAGING/17',
 's3a://databricks-data/STAGING/16',
 's3a://databricks-data/STAGING/15',
 's3a://databricks-data/STAGING/14',
 's3a://databricks-data/STAGING/13',
 's3a://databricks-data/STAGING/12',
 's3a://databricks-data/STAGING/10',
 's3a://databricks-data/STAGING/09',
 's3a://databricks-data/STAGING/08',
 's3a://databricks-data/STAGING/07'

您会注意到 11 丢失了，这就是问题所在。偶尔会有一些文件夹丢失，并且它不是系统性的或可预测的。因此，来自 Python 背景的我想我可以根据序列创建一个文件夹列表，然后测试这样的文件夹是否存在，如果存在，则读取数据，如果不存在，则跳过。像这样的事情:

paths = ["s3a://databricks-data/STAGING/" + str(ii) for ii in range(100)]
paths = [p for p in paths if p.exists()] #**this check -- "p.exists()" -- is what I'm looking for**
df = spark.read.parquet(*paths)

有谁知道如何检查 Databricks 中是否存在文件夹/目录？我尝试过使用 dbutils，但要么我正在使用不同的版本，要么我不知道我在做什么(也许两者都是)，因为没有任何效果。我对 Databricks 还很陌生，所以请告诉我是否可以澄清这个问题。

Answer 1

您可以使用dbutils.fs.ls来实现这样的功能:

def path_accessible(path):
  try:
    dbutils.fs.ls(path)
    return True
  except:
    pass

  return False

然后使用它:

paths = [p for p in paths if path_accessible(p)]

请注意，它会检查路径是否可访问 - 您可能由于凭据无效等而无法访问 - 您可以通过添加相应的 except 子句来改进它。

附注如果您这样做是为了加载数据增量，我建议考虑使用 Auto Loader 进行结构化流处理(即使在 Trigger.Once 模式下)。 - 如果目录中有很多文件，从性能角度来看可能会更好。