无法直接从 GCP Databricks 上的 Pandas 读取

问题描述

通常在 Azure/AWS 上的 Databricks 上，要读取存储在 Azure Blob/S3 上的文件，我会挂载存储桶或 Blob 存储，然后执行以下操作：

如果使用 Spark

df = spark.read.format('csv').load('/mnt/my_bucket/my_file.csv',header="true")

如果直接使用pandas，在路径中添加/dbfs：

df = pd.read_csv('/dbfs/mnt/my_bucket/my_file.csv')

我正在尝试使用 GCP 在托管版本的 Databricks 上执行完全相同的操作，尽管我成功地成功安装了存储桶并使用 Spark 读取它，但我无法直接使用 Pandas 执行此操作，添加了 /dbfs不工作，我得到一个没有这样的文件或目录：...错误

你们中有人遇到过类似的问题吗？我错过了什么吗？

我也这样做

%sh 
ls /dbfs

尽管我可以在 UI 中看到 dbfs 浏览器以及我安装的存储桶和文件，但它什么也没返回

感谢您的帮助

解决方法

它记录在 list of features not released yet 中：

DBFS 访问本地文件系统（FUSE 挂载）。 对于 DBFS 访问，可以使用 Databricks dbutils 命令、Hadoop 文件系统 API（例如 %fs 命令）和 Spark 读写 API。如有任何问题，请联系您的 Databricks 代表。

所以在使用 Pandas 读取之前，您需要将文件复制到本地磁盘：

dbutils.fs.cp("/mnt/my_bucket/my_file.csv","file:/tmp/my_file.csv")
df = pd.read_csv('/tmp/my_file.csv')