我正在使用 PySpark 进行大数据分析。我可以使用以下命令导入存储在特定存储桶的特定文件夹中的所有 CSV 文件:
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('file:///home/path/datafolder/data2014/*.csv')
(其中 * 充当通配符)
我遇到的问题如下:
- 如果我想对 2014 年和 2015 年的数据进行分析，即文件 1 是
.load('file:///home/path/SFweather/data2014/*.csv')，文件 2 是.load('file:///home/path/SFweather/data2015/*.csv')文件 3 是.load('file:///home/path/NYCweather/data2014/*.csv')文件 4 是.load('file:///home/path/NYCweather/data2015/*.csv')。如何同时导入多个路径以获得一个数据框？我是否需要将它们全部单独存储为数据帧，然后在 PySpark 中将它们连接在一起？ (您可以假设它们所有的 CSV 都具有相同的架构) - 假设现在是 2014 年 11 月。如果我想再次运行分析，但是在“最新数据”上运行，例如dec14 什么时候是 2014 年 12 月？例如，我想在 12 月 14 日加载文件 2:
.load('file:///home/path/datafolder/data2014/dec14/*.csv')并使用此文件:.load('file:///home/path/datafolder/data2014/nov14/*.csv')用于原始分析。有没有办法安排 Jupyter notebook(或类似笔记本)更新加载路径并导入最新运行(在这种情况下，“nov14”将被“dec14”和“jan15”等替换)。
我查看了之前的问题，但无法找到答案，因为这是特定于 AWS/PySpark 集成的。
预先感谢您的帮助!
[背景:我已获准访问来自不同团队的许多 S3 存储桶，其中包含各种大数据集。将其复制到我的 S3 存储桶，然后构建一个 Jupyter 笔记本似乎比直接从他们的存储桶中提取数据并在其上构建模型/表等并将处理后的输出保存到数据库中要多得多。因此，我发布了上面的问题。如果我的想法完全错误，请阻止我! :)]
请您参考如下方法:
您可以使用通配符读取多个路径，只要文件格式相同即可。
在你的例子中:
.load('file:///home/path/SFweather/data2014/*.csv')
.load('file:///home/path/SFweather/data2015/*.csv')
.load('file:///home/path/NYCweather/data2014/*.csv')
.load('file:///home/path/NYCweather/data2015/*.csv')
您可以将上面的 4 个加载语句替换为以下路径，以一次将所有 csv 读取到一个数据帧中:
.load('file:///home/path/*/*/*.csv')
如果您想更具体一些以避免读取某些文件/文件夹，您可以执行以下操作:
.load('file:///home/path/[SF|NYC]weather/data201[4|5]/*.csv')
