pyspark 列出 s3 存储桶中文件夹的子文件夹

【问题标题】：pyspark List subfolder of a folder in s3 bucketpyspark 列出 s3 存储桶中文件夹的子文件夹
【发布时间】：2018-04-19 19:45:12
【问题描述】：

我有一个s3 存储桶，我在其中存储要由我的 pyspark 代码处理的数据文件。我要访问的文件夹是：

s3a://bucket_name/data/

此文件夹包含文件夹。我的目标是访问此目录中最后添加的文件夹的内容。由于某些原因，我不想使用 boto。有什么方法可以访问文件夹列表，所以我可以选择我想访问的文件夹。如果我指定文件夹，我可以访问文件，但我想让它动态化。

【问题讨论】：

【解决方案1】：

我建议使用 s3fs，它是 boto3 上的文件系统样式包装器。文档在这里：http://s3fs.readthedocs.io/en/latest/

这是您关心的部分（您可能必须传入或以其他方式配置您的 AWS 凭证）：

import s3fs
fs = s3fs.S3FileSystem(anon=True)
fs.ls('my-bucket')

【讨论】：

谢谢，效果很好。如果您在 EMR 集群上运行它，请将 pip install s3fs 添加到您的 bash 引导脚本中，您可能会在您的代码或 EMR 笔记本中使用 s3fs.S3FileSystem(anon=False)。