python - 读取 \yyyy\mm\dd\HH\MM\ 范围内的文件

问题描述

我有一个 PySpark 应用程序，它需要从 Azure blob 存储帐户读取文件，其中文件每 5 分钟以这种格式分区到文件夹中：

\Root\yyyy\mm\dd\HH\MM\files.csv

我有一个每小时运行一次的进程，并且想要处理自上次运行以来的所有文件（如果错过运行可能会超过一个小时）。我管理了一个高水位线，它告诉我最后处理的文件夹时间。

在文件内部还有一个与路径日期时间匹配的日期时间字段（第二个更详细）。

请注意，我无法将文件夹结构更改为 Sparks 首选分区方法 year=yyyy\month=mm 等。

我写了这个函数：

from datetime import datetime

def folderDateTimeRange(startDateTime, endDateTime, levels=5):
      if startDateTime.year != endDateTime.year:
        return '/{*}' * levels
      elif startDateTime.month != endDateTime.month:
        return datetime.strftime(startDateTime, '%Y')  + '/{*}' * (levels - 1)
      elif startDateTime.day != endDateTime.day:
        return datetime.strftime(startDateTime, '%Y/%m')  + '/{*}' * (levels - 2)
      elif startDateTime.hour != endDateTime.hour:
        return datetime.strftime(startDateTime, '%Y/%m/%d')  + '/{*}' * (levels - 3)
      else:
        return ""

这限制了在大多数情况下读取的文件夹数量。我仍然需要过滤由传递给函数的相同开始和结束时间读取的数据，因为第二天 23:00 到 01:00 将在日期和小时部分返回 {*} - 因此我认为这可能更有效率。

在最糟糕的示例中，您传入 start = 2018-12-31 22:00:00 和 end = 2019-01-01 01:00:00 - 这会导致读取所有年份的所有数据。

我对 glob 的了解有限 - 但是否可以传递一个范围而不是 {*}？

标签： pythonpysparkazure-databricks

是的，您可以使用花括号返回项目列表，也可以使用正则表达式。

Check here: Read range of files in pySpark and here: pyspark select subset of files using regex/glob from s3 (I am not sure how much Azure and S3 differ but my assumption is PySpark can abstract this away; correct me if I'm wrong.)

You can also minimize your 'waste' of reading files by generating a few paths and sending them instead of just a single path (this ensures you won't have the same pitfall of reading two years of data if as you cross from one year to the next.)

For fun I wrote a little code with some test stuff at the bottom, you can probably return these lists and get what you want:

from datetime import datetime as dt
from datetime import timedelta
from collections import defaultdict
# \Root\yyyy\mm\dd\HH\MM\files.csv


def folderDateTimeRange(start, end, levels=5):
    start_iter = start
    paths = defaultdict(lambda: defaultdict(lambda: defaultdict(lambda: defaultdict(list))))
    while start_iter < end:
        paths[start_iter.year][start_iter.month][start_iter.day][start_iter.hour].append(start_iter.minute)
        start_iter += timedelta(minutes=5)

    ret_paths = []
    for year, v1 in paths.items():
        path = '{}\\'.format(year)
        for month, v2 in v1.items():
            path += '{}\\'.format(month)
            for day, v3 in v2.items():
                path += '{}\\'.format(day)
                path += '{{{}}}\\{{*}}'.format(','.join([str(_) for _ in v3.keys()]))
        ret_paths.append(path)

    return ret_paths


def test(a, b):
    res = folderDateTimeRange(a, b)
    for r in res:
        print(r)
    print('---')


test(dt(2018, 1, 1), dt(2018, 1, 2))
test(dt(2018, 12, 31), dt(2019, 1, 2))

python - 读取 \yyyy\mm\dd\HH\MM\ 范围内的文件

问题描述

解决方案

推荐阅读