RecursionError：比较超过最大递归深度'

Question

在我的 Python 脚本中，我正在确定 Azure Datalake 存储 Gen2 中的目录大小。 在我检查更大的目录之前，代码工作正常。

import sys
from dbutils import FileInfo
from typing import List

sys.setrecursionlimit(2000)
root_path = "/mnt/datalake/.../"

def discover_size(path: str, verbose: bool = True):
  def loop_path(paths: List[FileInfo], accum_size: float):
    if not paths:
      return accum_size
    else:
      head, tail = paths[0], paths[1:]
      if head.size > 0:
        if verbose:
          accum_size += head.size / 1e6
        return loop_path(tail, accum_size)
      else:
        extended_tail = dbutils.fs.ls(head.path) + tail
        return loop_path(extended_tail, accum_size)

  return loop_path(dbutils.fs.ls(path), 0.0)

discover_size(root_path, verbose=True) 

首先查看 OOM(Out of Memory) 问题并添加

sys.setrecursionlimit(2000) 。

现在，另一个错误-

RecursionError: maximum recursion depth exceeded in comparison

如何克服这个问题。

Answer 1

dbutils.fs.ls()的文档远非完美，而且我手头没有 DataBricks 环境，但如果不使用真正的递归，这样的东西可能会更好地工作，而是留下要访问的路径列表。

import dbutils


def discover_size(path: str) -> int:
    total_size = 0
    visited = set()
    to_visit = [path]
    while to_visit:
        path = to_visit.pop(0)
        if path in visited:
            print("Already visited %s..." % path)
            continue
        visited.add(path)
        print(
            f"Visiting %s, size %s so far..." % (path, total_size),
        )
        for info in dbutils.fs.ls(path):
            total_size += info.size
            if info.isDir():
                to_visit.add(info.path)
    return total_size


discover_size("/mnt/datalake/.../", verbose=True)