[英]How to calculate a Directory size in ADLS using PySpark?
我想計算一個包含子文件夾和子文件的目錄(例如- XYZ)大小。 我想要 XYZ 中所有文件和所有內容的總大小。
我可以找出特定路徑內的所有文件夾。 但我想要所有的大小。 我也看到了
display(dbutils.fs.ls("/mnt/datalake/.../XYZ/.../abc.parquet"))
給我 abc 文件的數據大小。 但我想要 XYZ 的完整大小。
dbutils.fs.ls
沒有像cp
、 mv
或rm
這樣的遞歸功能。 因此,您需要自己迭代。 這是一個將為您完成任務的片段。 從 Databricks Notebook 運行代碼。
from dbutils import FileInfo
from typing import List
root_path = "/mnt/datalake/.../XYZ"
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:
print(f"{head.path}: {head.size / 1e6} MB")
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) # Total size in megabytes at the end
如果該位置安裝在 dbfs. 然后你可以使用du -h
方法(沒有測試它)。 如果您在筆記本中,請創建一個新單元格:
%sh
du -h /mnt/datalake/.../XYZ
嘗試使用 dbutils ls 命令,獲取 dataframe 中的文件列表,並在 size 列上使用聚合 function SUM() 進行查詢:
val fsds = dbutils.fs.ls("/mnt/datalake/.../XYZ/.../abc.parquet").toDF
fsds.createOrReplaceTempView("filesList")
display(spark.sql("select COUNT(name) as NoOfRows, SUM(size) as sizeInBytes from fileListPROD"))
@Emer 的答案很好,但可能會遇到RecursionError: maximum recursion depth exceeded
非常快,因為它對每個文件進行遞歸(如果你有 X 個文件,你將有 X 個復疊遞歸)。
這與僅針對文件夾的遞歸相同:
%python
from dbutils import FileInfo
from typing import List
def discover_size2(path: str, verbose: bool = True):
def loop_path(path: str):
accum_size = 0.0
path_list = dbutils.fs.ls(path)
if path_list:
for path_object in path_list:
if path_object.size > 0:
if verbose:
print(f"{path_object.path}: {path_object.size / 1e6} MB")
accum_size += path_object.size / 1e6
else:
# Folder: recursive discovery
accum_size += loop_path(path_object.path)
return accum_size
return loop_path(path)
喜歡Emer 的回答!
小補充:
如果你遇見
“ModuleNotFoundError:沒有名為‘dbutils’的模塊”
from dbruntime.dbutils
而不是from dbutils
試試這個。 這個對我有用!
——石正
對於仍然使用@robin loche 的方法達到遞歸限制的任何人,這里是一個純粹的迭代答案:
# from dbutils import FileInfo # Not required in databricks
# from dbruntime.dbutils import FileInfo # may work for some people
def get_size_of_path(path):
return sum([file.size for file in get_all_files_in_path(path)])
def get_all_files_in_path(path, verbose=False):
nodes_new = []
nodes_new = dbutils.fs.ls(path)
files = []
while len(nodes_new) > 0:
current_nodes = nodes_new
nodes_new = []
for node in current_nodes:
if verbose:
print(f"Processing {node.path}")
children = dbutils.fs.ls(node.path)
for child in children:
if child.size == 0 and child.path != node.path:
nodes_new.append(child)
elif child.path != node.path:
files.append(child)
return files
path = "s3://some/path/"
print(f"Size of {path} in gb: {get_size_of_path(path) / 1024 / 1024 / 1024}")
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.