如何将 .parquet 文件从本地计算机上传到 Azure Storage Data Lake Gen2？

Question

我的本地计算机中有一组 .parquet 文件，我正在尝试将其上传到 Data Lake Gen2 中的容器。

我不能执行以下操作：

def upload_file_to_directory():
    try:

        file_system_client = service_client.get_file_system_client(file_system="my-file-system")

        directory_client = file_system_client.get_directory_client("my-directory")
        
        file_client = directory_client.create_file("uploaded-file.parquet")
        local_file = open("C:\\file-to-upload.parquet",'r')

        file_contents = local_file.read()

        file_client.append_data(data=file_contents, offset=0, length=len(file_contents))

        file_client.flush_data(len(file_contents))

    except Exception as e:
      print(e)

因为 .read() 函数无法读取 .parquet 文件。

当我尝试这样做时：

def upload_file_to_directory():

     file_system_client = service_client.get_file_system_client(file_system="my-file-system")

     directory_client = file_system_client.get_directory_client("my-directory")
        
     file_client = directory_client.create_file("uploaded-file.parquet")
     file_client.upload_file("C:\\file-to-upload.txt",'r')

我收到以下错误：

AttributeError: 'DataLakeFileClient' object has no attribute 'upload_file'

有什么建议么？

Answer 1

您收到此消息是因为您已导入DataLakeFileClient模块。 尝试安装DataLakeServiceClient因为它有upload_file方法。

pip install DataLakeServiceClient

但是，要读取 .parquet 文件，一种解决方法是使用pandas 。 下面是对我有用的代码。

storage_account_name='<ACCOUNT_NAME>'
storage_account_key='ACCOUNT_KEY'

service_client = DataLakeServiceClient(account_url="{}://{}.dfs.core.windows.net".format(
            "https", storage_account_name), credential=storage_account_key)
    
file_system_client = service_client.get_file_system_client(file_system="container")

directory_client = file_system_client.get_directory_client(directory="directory")
        
file_client = directory_client.create_file("uploaded-file.parquet")

local_file = pd.read_parquet("<YOUR_FILE_NAME>.parquet")
df = pd.DataFrame(local_file).to_parquet()

file_client.upload_data(data=df,overwrite=True) #Either of the lines works
#file_client.append_data(data=df, offset=0, length=len(df)) 
file_client.flush_data(len(df))

并且您可能需要导入DataLakeFileClient库才能使其工作：

from azure.storage.filedatalake import DataLakeServiceClient
import pandas as pd

结果：