从文件列表而不是 Spark 中的路径读取是否有效？

Question

我在 azure databricks 中使用 pyspark。并且需要加载数千个文件作为文件列表。使用了“多深度分区”，这使得使用基本路径读取文件变得困难。

事实上，这种多深度分区会导致嵌套目录触发此错误：

AnalysisException: Unable to infer schema for CSV. It must be specified manually.;

因此，我们正在读取所有内容作为文件列表，我想知道当您使用以下方式读取文件时性能是否相同：

1.

spark.read.format('csv').load('/mnt/article/2021/08/09')

对

2.

spark.read.format('csv').load([
        '/mnt/article/2021/08/09/test.csv',
        '/mnt/article/2021/08/09/test2.csv',
        '/mnt/article/2021/08/09/test3.csv'
    ])

对

3.

spark.read.format('csv').load(['/mnt/article/*/*/*/])

出于某些原因，我们不想使用第三个：spark.read.format('csv').load(['/mnt/article/*/*/*/)但如果第二个真的效率不高，我们可能会重新考虑。

非常感谢您的任何意见或建议！

Answer 1

你自己试试吧，很好的练习。

但是，我会说 2nd 选项稍微快一些，因为它不需要额外的 ls。

但我什至不确定，因为 Spark 会检查文件是否存在。这可能取决于连接器的实现。比较：def allFiles(): Seq[FileStatus]

除非文件系统上有数千个文件，其中 ls 成本（通常是云提供商，其中 ls 是 HTTP 请求）。它不应该有什么不同，您应该从业务角度选择最清晰的选项。这是您提供的 1st 选项。

从文件列表而不是 Spark 中的路径读取是否有效？

Is it efficient to read from a LIST of FILES instead of a PATH in Spark?

partitioning

apache-spark

pyspark

azure-databricks