如何在 spark scala 中读取多个镶木地板文件

Question

以下是一些文件夹，它们可能会随着时间不断更新。他们有多个 .parquet 文件。如何在 scala 的 Spark 数据框中读取它们？

• "id=200393/date=2019-03-25"
• "id=200393/date=2019-03-26"
• "id=200393/date=2019-03-27"
• "id=200393/date=2019-03-28"
• “id=200393/date=2019-03-29”等等...

注意：- 可能有 100 个日期文件夹，我只需要选择特定的（比如说 25,26 和 28）

还有比下面更好的方法吗？

import org.apache.spark._
import org.apache.spark.SparkContext._
import org.apache.spark.sql._

val spark = SparkSession.builder.appName("ScalaCodeTest").master("yarn").getOrCreate()
val parquetFiles = List("id=200393/date=2019-03-25", "id=200393/date=2019-03-26", "id=200393/date=2019-03-28")

spark.read.format("parquet").load(parquetFiles: _*)

上面的代码可以运行，但我想做下面的事情-

val parquetFiles = List()
parquetFiles(0) = "id=200393/date=2019-03-25"
parquetFiles(1) = "id=200393/date=2019-03-26"
parquetFiles(2) = "id=200393/date=2019-03-28"
spark.read.format("parquet").load(parquetFiles: _*)

Answer 1

您可以这样读取它以读取目录 id=200393 中的所有文件夹：

val df  = spark.read.parquet("id=200393/*")

如果您只想选择一些日期，例如 2019 年 9 月：

val df  = spark.read.parquet("id=200393/2019-09-*")

如果你有一些特殊的日子，你可以在一个列表中列出日期

  val days = List("2019-09-02", "2019-09-03")
  val paths = days.map(day => "id=200393/" ++ day)
  val df = spark.read.parquet(paths:_*)

Answer 2

如果您想保留“id”列，可以试试这个：

val df = sqlContext
     .read
     .option("basePath", "id=200393/")
     .parquet("id=200393/date=*")