如何从 S3 存储桶中仅读取最近 7 天的 csv 文件答案

【问题标题】：How to read only latest 7 days csv files from S3 bucket如何从 S3 存储桶中仅读取最近 7 天的 csv 文件
【发布时间】：2022-01-22 14:50:59
【问题描述】：

我正在尝试弄清楚，我们如何使用 Spark Scala 从 s3 存储桶中的文件夹中仅读取最近 7 天的文件。

我们拥有的目录：

假设今天的日期（Date_1）我们有 2 个客户和 1-1 个 csv 文件

Source/Date_1/Client_1/sample_1.csv
Source/Date_1/Client_2/sample_1.csv

明天会生成一个新文件夹，我们会得到如下：

Source/Date_2/Client_1/sample_1.csv
Source/Date_2/Client_2/sample_1.csv
Source/Date_2/Client_3/sample_1.csv
Source/Date_2/Client_4/sample_1.csv

注意：我们希望在任何日期添加更新的客户数据。

同样在第 7 天我们可以有：

Source/Date_7/Client_1/sample_1.csv
Source/Date_7/Client_2/sample_1.csv
Source/Date_7/Client_3/sample_1.csv
Source/Date_7/Client_4/sample_1.csv

所以，现在如果我们得到第 8 天的数据，我们需要丢弃 Date_1 文件夹才能读取。

在使用 s3 存储桶中的 spark scala 读取 csv 文件时，我们如何做到这一点？我正在尝试阅读整个 "source/*" 文件夹，以便我们不会错过任何时间/一天添加任何客户端。

【问题讨论】：

您能否分享一些详细信息，例如 (1) 您是否使用 AWS Glue？ (2) 什么是日期格式？ (3) 这个路径是 partitionBy 还是像 directory/subdirectoty 这样的普通路径？ (4) 最终的csv文件名总是一样的？
1：不只是在 S3 存储桶中获取文件并从那里直接读取文件 2：日期格式-“20211221”（例如今天的日期，2021 年 12 月 21 日） 3：普通路径，如目录/子目录4：最终文件名应取决于附加日期的客户端名称，例如（Client_1_20211221，Client_2_20211221 为今天的日期，同样对于第二天的日期部分将更改 - Client_1_20211222，Client_2_20211222）
您是否在保存时对数据进行分区？我相信你是根据我看到的文件夹结构来做的……你能确认一下吗？
不，我正在尝试在覆盖模式下相同的数据，对我的要求是根据最多 7 天的旧数据计算并保存在表中。所以，没有分区。

标签： scala apache-spark pyspark apache-spark-sql

【解决方案1】：

有多种方法可以做到这一点。下面提到了其中一种方法：您可以从路径中提取日期，过滤器基于 7 天。

下面是pyspark的sn-p代码，同样可以用Scala在Spark中实现。

>>> from datetime import datetime, timedelta
>>> from pyspark.sql.functions import *
 
#Calculate date 7 days before date
>>> lastDate = datetime.now() + timedelta(days=-7)
>>> lastDate = int(lastDate.strftime('%Y%m%d'))

# Source Path
>>> srcPath = "s3://<bucket-name>/.../Source/"
>>> df1 = spark.read.option("header", "true").csv(srcPath + "*/*").withColumn("Date", split(regexp_replace(input_file_name(), srcPath, ""),"/")[0].cast("long"))
>>> df2 = df1.filter(col("Date") >= lit(lastDate))

在您的最终实现中可能会发生一些变化，例如如果路径结构不同，索引值 [0] 可能会有所不同，最后一个条件 >= 可以是 > 根据要求。

【讨论】：