如何使用 Python 从 Azure Data Lake Storage Gen2 中的事件中心访问捕获的数据

Question

我正在使用 connection_string 访问 Azure Data Lake Gen2 存储，其中大量 Avro 文件由事件中心捕获存储在包含按年/月/日/小时/分钟命名的文件夹的典型目录结构下.我正在使用 azure.storage.filedatalake 包。

首先我得到一个数据湖服务客户端使用：

datalake_service_client = DataLakeServiceClient.from_connection_string(connection_string)

然后我通过以下方式获取湖中的文件系统：

file_systems = datalake_service_client.list_file_systems()
for file_system in file_systems:
    print(file_system.name)

在这种情况下只有一个文件系统，称为“datalake1”。此时我想访问我希望在其中找到的所有 Avro 文件。我正在尝试首先获取文件系统客户端：

file_system_client = datalake_service_client.get_file_system_client("datalake1")

然后使用 get_paths 方法：

file_system_client.get_paths()

它返回一个迭代器（azure.core.paging.ItemPaged 对象），但从这里我无法看到文件夹和文件。我尝试使用像[x.name for x in file_system_client.get_paths()] 这样的简单列表理解，但出现错误StorageErrorException：操作返回无效状态'指定的容器不存在。'

您知道如何按照此过程访问 Avro 文件吗？

编辑：我使用的是 azure-storage-file-datalake 版本 12.0.0。下面是代码截图：

谢谢

Answer 1

问题出在连接字符串上。我再次尝试，但从 Azure 门户中的“访问密钥”刀片中获取它，现在它工作正常。我设法正确运行 get_paths() 等等。先前的连接字符串取自存储资源管理器，它对应于从“共享访问签名”刀片中检索到的连接字符串。感谢@MartinJaffer-MSFT (MSDN)。

Answer 2

更新：

用你的代码测试过：

---

原答案：

调用get_paths()方法后，可以使用is_directory属性判断是目录还是文件。如果它是一个文件，那么你可以对它做一些事情。

示例代码（在这个示例中，我只是打印了.avro文件路径。请随意修改代码以满足您的需要）：

#other code
paths = file_system_client.get_paths()

for path in paths:
    #determine if it is a directory or a file
    if not path.is_directory:
        #here, just print out the file name.
        print(path.name + '\n')
        #you can do other operations here.

测试结果：