Как рекурсивно получить файлы Excel, хранящиеся в папке в dbfs, с помощью pyspark?

У меня есть путь, смонтированный в dbfs, и мне нужно извлечь путь к файлам Excel из заданной папки, и эта же папка содержит файлы Excel или подпапку, содержащую файлы Excel. Текущий код дает файлы Excel только в одной папке, а не в подпапках.

files = dbutils.fs.ls('/raw/internal/srange/2018_11_30_00_22_11/')
for file in files:
  if file.path.endswith('xlsx'):
    path = '/dbfs' + file.path[5:]
    print(path)

pyspark apache-commons-dbutils
person user3222101    schedule 02.07.2019    source источник

Ответы (2)


arrow_upward
1
arrow_downward

Вы также должны проверить каталоги

def walk_dir(dir_path):
    dir_files = dbutils.fs.ls(dir_path)
    excel_files = []
    for file in dir_files:
        if file.isDir():
            excel_files.extend(walk_dir(file.path))
        elif file.path.endswith('.xlsx'):
            excel_files.append(os.path.join('/dbfs', file.path[5:]))
    return excel_files
    
all_excel = walk_dir('/raw/internal/srange/2018_11_30_00_22_11/')

Я не пробовал код, так что он может быть глючным.

person absolutelydevastated    schedule 02.07.2019

arrow_upward
0
arrow_downward

Вот что я рекомендую:

for file1 in dbutils.fs.ls("dbfs:/raw/internal/srange/2018_11_30_00_22_11/"):
  if '.xlsx' in file1.name:
    print (file1.name)
  for file2 in dbutils.fs.ls("dbfs:/raw/internal/srange/2018_11_30_00_22_11/"+file1.name):
    if '.xlsx' in file2.name:
      print (file2.name)
    for file3 in dbutils.fs.ls("dbfs:/raw/internal/srange/2018_11_30_00_22_11/"+file1.name+file2.name):
      if '.xlsx' in file3.name:
        print (file3.name)
person VoldyArrow    schedule 01.06.2020