python - PYSPARK - 如何读取 S3 中所有子文件夹中的所有 csv 文件？

Question

在 Amazon S3 中，我有一个包含大约 30 个子文件夹的文件夹，每个子文件夹中包含一个 csv 文件。

我想要一种从所有子文件夹中读取每个 csv 文件的简单方法——目前，我可以通过指定路径 n 次来做到这一点，但我觉得必须有一种更简洁的方法。

例如dataframe = sqlContext.read.csv([ path1, path2, path3,etc..], header=True)

标签： pythonapache-sparkamazon-s3pyspark

Answer 1

像这样模拟您的情况（使用 jupyter 魔术命令，以便您可以查看文件夹结构）

...只需使用 * ... 还假设每个 csv 具有相同的列数

! ls sub_csv/
print("="*10)
! ls sub_csv/csv1/
! ls sub_csv/csv2/
! ls sub_csv/csv3/
print("="*10)
! cat sub_csv/csv1/*.csv
! cat sub_csv/csv2/*.csv
! cat sub_csv/csv3/*.csv

csv1
csv2
csv3
==========
csv1.csv
csv2.csv
csv3.csv
==========
id
1
id
2
id
3

spark\
.read\
.option("header", "true")\
.csv("sub_csv/*")\
.show()

+---+
| id|
+---+
|  1|
|  2|
|  3|
+---+