检查 Databricks 笔记本中是否存在 S3 目录

Question

我在 Databricks 中工作，我试图从按顺序排序的 S3 实例中获取镶木地板数据，但缺少序列的某些部分。所以文件系统可能如下所示：

 's3a://databricks-data/STAGING/18',
 's3a://databricks-data/STAGING/17',
 's3a://databricks-data/STAGING/16',
 's3a://databricks-data/STAGING/15',
 's3a://databricks-data/STAGING/14',
 's3a://databricks-data/STAGING/13',
 's3a://databricks-data/STAGING/12',
 's3a://databricks-data/STAGING/10',
 's3a://databricks-data/STAGING/09',
 's3a://databricks-data/STAGING/08',
 's3a://databricks-data/STAGING/07'

您会注意到11 丢失了，这就是问题所在。偶尔会丢失其中一些文件夹，而且它不是系统的或可预测的。所以，来自 Python 背景，我想我可以从一个序列中创建一个文件夹列表，然后测试这样的文件夹是否存在，如果存在，读取数据，如果不存在，跳过。像这样的：

paths = ["s3a://databricks-data/STAGING/" + str(ii) for ii in range(100)]
paths = [p for p in paths if p.exists()] #**this check -- "p.exists()" -- is what I'm looking for**
df = spark.read.parquet(*paths)

有谁知道我如何检查 Databricks 中是否存在文件夹/目录？我尝试过使用dbutils，但要么我正在使用不同的版本，要么我不知道我在做什么（可能两者兼而有之），因为没有任何效果。我对 Databricks 很陌生，所以如果我能澄清这个问题，请告诉我。

Answer 1

你可以使用dbutils.fs.ls来实现这样的功能：

def path_accessible(path):
  try:
    dbutils.fs.ls(path)
    return True
  except:
    pass

  return False

然后使用它：

paths = [p for p in paths if path_accessible(p)]

请注意，它会检查路径是否可访问 - 您可能由于凭据无效等原因无法访问 - 您可以通过添加相应的 except 子句来改进它。

附：如果您这样做是为了加载数据的增量，我建议您考虑使用 Auto Loader 的结构化流式处理（即使在 Trigger.Once 模式下） - 如果您有很多文件，从性能的角度来看它可能会更好在您的目录中。