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')