在Databricks（DBFS）中递归列出目录和子目录的文件

Question

使用python/dbutils，如何在Databricks文件系统（DBFS）中递归显示当前目录和子目录的文件。

Answer 1

你也可以试试这个递归函数：

def lsR(path):
  return([fname for flist in [([fi.path] if fi.isFile() else lsR(fi.path)) for fi in dbutils.fs.ls(path)] for fname in flist])
                
lsR('/your/folder')

Answer 2

这里列出了其他答案，但值得注意的是，databricks 将数据集存储为文件夹。

例如，您可能有一个名为 my_dataset_here 的“目录”，其中包含如下文件：

my_dataset_here/part-00193-111-c845-4ce6-8714-123-c000.snappy.parquet
my_dataset_here/part-00193-123-c845-4ce6-8714-123-c000.snappy.parquet
my_dataset_here/part-00193-222-c845-4ce6-8714-123-c000.snappy.parquet
my_dataset_here/part-00193-444-c845-4ce6-8714-123-c000.snappy.parquet
...

在一组典型的表格中会有这样的文件数以千计。

尝试枚举此类文件夹中的每个文件可能需要很长时间...比如几分钟，因为对 dbutils.fs.ls 的单个调用必须返回每个结果的数组。

因此，一种幼稚的方法，例如：

stack = ["/databricks-datasets/COVID/CORD-19/2020-03-13"]
while len(stack) > 0:
  current_folder = stack.pop(0)
  for file in dbutils.fs.ls(current_folder):
    if file.isDir():
      stack.append(file.path)
      print(file.path)
    else:
      print(file.path)

确实会列出每个文件，但也需要很长时间才能完成。在我的测试环境中，枚举 50 多个表需要 8 分钟。

但是，如果使用新的“delta”格式，则会在 delta 表文件夹中创建一个名为“_delta_log”的标准命名文件夹。

因此，我们可以修改我们的代码来检查每个文件夹，看看它是否是一个数据集，然后再尝试枚举文件夹的全部内容：

stack = ["/databricks-datasets/COVID/CORD-19/2020-03-13"]
while len(stack) > 0:
  current_folder = stack.pop(0)
  for file in dbutils.fs.ls(current_folder):
    if file.isDir():
      # Check if this is a delta table and do not recurse if so!
      try:
        delta_check_path = f"{file.path}/_delta_log"
        dbutils.fs.ls(delta_check_path)  # raises an exception if missing
        print(f"dataset: {file.path}")
      except:            
        stack.append(file.path)
        print(f"folder: {file.path}")
    else:
        print(f"file: {file.path}")

此代码在 38 秒内在相同的测试环境中运行。

在琐碎的情况下，幼稚的解决方案是可以接受的，但在现实世界的情况下它很快就会变得完全不可接受。

请注意，此代码仅适用于增量表；如果您使用 parquet/csv/任何格式，那么您就不走运了。

Answer 3

另一种实现可以使用生成器和yield 运算符来完成。对于yield from 运算符，您必须至少使用Python 3.3+ 并查看此great post 以更好地理解yield 运算符：

def get_dir_content(ls_path):
    for dir_path in dbutils.fs.ls(ls_path):
        if dir_path.isFile():
            yield dir_path.path
        elif dir_path.isDir() and ls_path != dir_path.path:
            yield from get_dir_content(dir_path.path)
    
list(get_dir_content('/databricks-datasets/COVID/CORD-19/2020-03-13'))

Answer 4

关于 dbutils.fs.ls（和 %fs 魔法命令）令人惊讶的是它似乎不支持任何递归开关。但是，由于 ls 函数返回 FileInfo 对象的列表，因此递归迭代它们以获取整个内容是非常简单的，例如：

def get_dir_content(ls_path):
  dir_paths = dbutils.fs.ls(ls_path)
  subdir_paths = [get_dir_content(p.path) for p in dir_paths if p.isDir() and p.path != ls_path]
  flat_subdir_paths = [p for subdir in subdir_paths for p in subdir]
  return list(map(lambda p: p.path, dir_paths)) + flat_subdir_paths
    

paths = get_dir_content('/databricks-datasets/COVID/CORD-19/2020-03-13')
[print(p) for p in paths]