如何压缩 json 行文件并上传到 Azure 容器?
How to compress a json lines file and uploading to azure container?
我在数据块中工作,有一个 Pyspark 数据框,我正在将其转换为 pandas,然后转换为 json 行文件,并希望将其上传到 Azure 容器(ADLS gen2 ).文件很大,想先压缩再上传。
我首先将 pyspark 数据帧转换为 pandas。
pandas_df = df.select("*").toPandas()
然后将其转换为换行分隔 json:
json_lines_data = pandas_df.to_json(orient='records', lines=True)
然后使用以下函数写入 blob 存储:
def upload_blob(json_lines_data, connection_string, container_name, blob_name):
blob_service_client = BlobServiceClient.from_connection_string(connection_string)
blob_client = blob_service_client.get_blob_client(container=container_name, blob=blob_name)
try:
blob_client.get_blob_properties()
blob_client.delete_blob()
# except if no delete necessary
except:
pass
blob_client.upload_blob(json_lines_data)
这工作正常,但每个文件的数据大约为 3 GB,下载需要很长时间,所以我宁愿压缩文件。这里的任何人都可以帮助如何压缩 json 行文件并将其上传到 azure 容器吗?我尝试了很多不同的东西,但没有任何效果。
如果在数据块中有更好的方法来做到这一点,我可以改变它。我没有使用数据块编写,因为我需要输出 1 个文件并控制文件名。
有一种方法可以在上传到 blob 存储之前压缩 JSON 文件。
这是将数据转换为 JSON 并转换为二进制代码 (utf-8) 最后压缩的代码。
建议您在上传功能之前添加此代码。
import json
import gzip
def compress_data(data):
# Convert to JSON
json_data = json.dumps(data, indent=2)
# Convert to bytes
encoded = json_data.encode('utf-8')
# Compress
compressed = gzip.compress(encoded)
参考:https://gist.github.com/LouisAmon/4bd79b8ab80d3851601f3f9016300ac4#file-json_to_gzip-py
我在数据块中工作,有一个 Pyspark 数据框,我正在将其转换为 pandas,然后转换为 json 行文件,并希望将其上传到 Azure 容器(ADLS gen2 ).文件很大,想先压缩再上传。
我首先将 pyspark 数据帧转换为 pandas。
pandas_df = df.select("*").toPandas()
然后将其转换为换行分隔 json:
json_lines_data = pandas_df.to_json(orient='records', lines=True)
然后使用以下函数写入 blob 存储:
def upload_blob(json_lines_data, connection_string, container_name, blob_name):
blob_service_client = BlobServiceClient.from_connection_string(connection_string)
blob_client = blob_service_client.get_blob_client(container=container_name, blob=blob_name)
try:
blob_client.get_blob_properties()
blob_client.delete_blob()
# except if no delete necessary
except:
pass
blob_client.upload_blob(json_lines_data)
这工作正常,但每个文件的数据大约为 3 GB,下载需要很长时间,所以我宁愿压缩文件。这里的任何人都可以帮助如何压缩 json 行文件并将其上传到 azure 容器吗?我尝试了很多不同的东西,但没有任何效果。
如果在数据块中有更好的方法来做到这一点,我可以改变它。我没有使用数据块编写,因为我需要输出 1 个文件并控制文件名。
有一种方法可以在上传到 blob 存储之前压缩 JSON 文件。
这是将数据转换为 JSON 并转换为二进制代码 (utf-8) 最后压缩的代码。
建议您在上传功能之前添加此代码。
import json
import gzip
def compress_data(data):
# Convert to JSON
json_data = json.dumps(data, indent=2)
# Convert to bytes
encoded = json_data.encode('utf-8')
# Compress
compressed = gzip.compress(encoded)
参考:https://gist.github.com/LouisAmon/4bd79b8ab80d3851601f3f9016300ac4#file-json_to_gzip-py