如果可能的话,我想使用单个路径将给定文件夹中的所有 csv 文件递归读取到 Spark SQL DataFrame
中。
我的文件夹结构如下所示,我想通过一个路径包含所有文件:
-
resources/first.csv
-
resources/subfolder/second.csv
-
resources/subfolder/third.csv
这是我的代码:
def read: DataFrame =
sparkSession
.read
.option("header", "true")
.option("inferSchema", "true")
.option("charset", "UTF-8")
.csv(path)
将path
设置为 .../resource/*/*.csv
省略 1. 而.../resource/*.csv
省略 2. 和 3。
我知道csv()
也将多个字符串作为路径参数,但如果可能的话,希望避免这种情况。
注意:我知道我的问题类似于如何在一次加载中导入多个csv文件?,除了我想包含所有包含文件夹的文件,而与它们在主文件夹中的位置无关。
如果您的 resources
目录中只有 csv 文件和一级子文件夹,则可以使用 resources/**
.
编辑
否则,您可以使用Hadoop FileSystem
类递归列出resources
目录中的每个csv文件,然后将列表传递给.csv()
val fs = FileSystem.get(new Configuration())
val files = fs.listFiles(new Path("resources/", true))
val filePaths = new ListBuffer[String]
while (files.hasNext()) {
val file = files.next()
filePaths += file.getPath.toString
}
val df: DataFrame = spark
.read
.options(...)
.csv(filePaths: _*)
现在可以在 spark3 中使用RecursiveFileLookup
。
val recursiveLoadedDF = spark.read
.option("recursiveFileLookup", "true")
.csv("resources/")
更多参考:递归文件查找