如何列出 Databricks dbfs 中的文件键**没有** dbutils

Question

显然 dbutils cannot be used in cmd-line spark-submits, you must use Jar Jobs for that，但由于其他要求，我必须使用 spark-submit 样式的作业，但仍然需要在 dbfs 中列出和迭代文件键以决定使用哪些文件作为输入到流程...

使用 scala，我可以使用 spark 或 hadoop 中的哪个库来检索特定模式的 dbfs:/filekeys 列表？

import org.apache.hadoop.fs.Path
import org.apache.spark.sql.SparkSession

def ls(sparkSession: SparkSession, inputDir: String): Seq[String] = {
  println(s"FileUtils.ls path: $inputDir")
  val path = new Path(inputDir)
  val fs = path.getFileSystem(sparkSession.sparkContext.hadoopConfiguration)
  val fileStatuses = fs.listStatus(path)
  fileStatuses.filter(_.isFile).map(_.getPath).map(_.getName).toSeq
}

使用上面的方法，如果我传入像 dbfs:/mnt/path/to/folder 这样的部分键前缀，而在所述“文件夹”中存在以下键：

• /mnt/path/to/folder/file1.csv
• /mnt/path/to/folder/file2.csv

当它命中时我得到 dbfs:/mnt/path/to/folder is not a directory val path = new Path(inputDir)

Answer 1

需要使用SparkSession来完成

我们是这样做的：

import org.apache.commons.io.IOUtils
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.spark.sql.SparkSession

def getFileSystem(sparkSession: SparkSession): FileSystem =
    FileSystem.get(sparkSession.sparkContext.hadoopConfiguration)

def listContents(sparkSession: SparkSession, dir: String): Seq[String] = {
  getFileSystem(sparkSession).listStatus(new path(dir)).toSeq.map(_.getPath).map(_.getName)
}