python - 无法读取基于正则表达式的文件 spark

Question

我正在尝试在 pyspark 中加载包含 2015 年到 2020 年数据的文件。我使用正则表达式。

所有的正则表达式都在一个在线网站上进行了检查。但是，当我在 pyspark 中使用它们时，它会显示错误。看起来hdfs不喜欢括号。我尝试了不同的变体

# .load("hdfs:///data/ghcnd/daily/20(1[5-9]|20).csv.gz")

# .load("hdfs:///data/ghcnd/daily/20(15|16|17|18|19|20).csv.gz")

如何正确编写它们以便我可以从 2015 年到 2020 年的文件中加载数据？

标签： pythonregexhadooppysparkhdfs

Answer 1

尝试使用花括号{}并保留所有值。

.load("hdfs:///data/ghcnd/daily/2020{15,16,17}.csv.gz")

Example:

读取2015,2016文件

spark.read.csv("/tmp/20{15,16}.csv").show()
#+----+
#| _c0|
#+----+
#|2015|
#|2016|
#+----+

$cat 2015.csv
2015
$cat 2016.csv
2016