Pyspark无法从pathlib对象加载

Question

Python Version 3.7.5
Spark Version 3.0
Databricks Runtime 7.3

我目前正在使用我的datalake文件系统中的路径。

这是

p = dbutils.fs.ls('dbfs:/databricks-datasets/nyctaxi')
print(p)
 [FileInfo(path='dbfs:/databricks-datasets/nyctaxi/readme_nyctaxi.txt', name='readme_nyctaxi.txt', size=916),
 FileInfo(path='dbfs:/databricks-datasets/nyctaxi/reference/', name='reference/', size=0),
 FileInfo(path='dbfs:/databricks-datasets/nyctaxi/taxizone/', name='taxizone/', size=0),
 FileInfo(path='dbfs:/databricks-datasets/nyctaxi/tripdata/', name='tripdata/', size=0)]

现在，为了将其转换为有效的Pathlib Posix对象，我将其传递给一个函数

def create_valid_path(paths):
    return Path('/dbfs').joinpath(*[part for part in Path(paths).parts[1:]])

tripdata的输出为

PosixPath('/dbfs/databricks-datasets/nyctaxi/tripdata')

现在，如果我想在将csvs的子集收集到列表中之后，将其读取到sparkdata帧中。

from pyspark.sql.functions import * 
df = spark.read.format('csv').load(paths)

这将返回

AttributeError: 'PosixPath' object has no attribute '_get_object_id'

现在，我能让它工作的唯一方法是手动地预置路径dbfs:/..并将每一项返回到一个字符串，但是有必要使用Pathlib来执行一些基本的I/O操作。我是否遗漏了一些简单的东西，或者Pyspark只是不能读取pathlib对象吗？

e.g

trip_paths_str = [str(Path('dbfs:').joinpath(*part.parts[2:])) for part in trip_paths]

print(trip_paths_str)

['dbfs:/databricks-datasets/nyctaxi/tripdata/fhv/fhv_tripdata_2015-01.csv.gz',
 'dbfs:/databricks-datasets/nyctaxi/tripdata/fhv/fhv_tripdata_2015-02.csv.gz'...]

Answer 1

那么换成这样做如何呢？

from pyspark.sql.functions import * 
import os

def db_list_files(file_path):
  file_list = [file.path for file in dbutils.fs.ls(file_path) if os.path.basename(file.path)]
  return file_list

files = db_list_files('dbfs:/FileStore/tables/')
 
df = spark.read.format('text').load(files)
df.show()