pyspark 使用Spark删除Azure blob中的文件的更快方法是什么？

1mrurvl1 于 2023-10-15 发布在 Spark

关注(0)|答案(4)|浏览(102)

我正在Azure上使用Databricks/Spark。我想删除超过100，000个存储在blob中的文本文件。blob已安装。我使用Python（PySpark）以并行方式删除这些文件的代码如下所示。

import os

# use dbutils to list all files
# very slow operation
text_files = ['/dbfs/mnt/myblob/myfolder/{}'.format(fi.name) for fi in dbutils.fs.ls('/dbfs/mnt/myblob/myfolder')]

# use spark context to parallelize list of text files
rdd = sc.parallelize(text_files)

# now delete files
# seems to be very slow as well when spark job kicks off
rdd.map(lambda p: os.remove(p)).count()

请注意，我使用dbutils列出挂载目录中的文件。这个操作很慢。还要注意，我使用Python的os.remove(...)来删除文件，这个操作似乎也很慢。
在Spark/Databricks的上下文中，有没有更快地删除Azure blob中文件的方法？
还有相关的帖子here和here。然而，前者没有指定上下文/环境（引用的链接是针对Scala的，这些方法在PySpark中的Spark上下文中不存在），后者希望实现并行删除，但没有说明解决方案是否需要使用Spark。

pyspark

来源：https://stackoverflow.com/questions/56408759/what-is-a-faster-way-to-delete-files-in-an-azure-blob-with-spark

4条答案

按热度按时间

mqxuamgl1#

目前，您正在从分布式文件系统中阅读数据，然后将它们导入到Python驱动程序中，在Spark上导出它们，然后使用Python再次读取它们以执行删除操作。
我认为你可以删除spark步骤，在python中操作你的列表，直接使用dbutils删除文件。

赞(0）回复(0）举报 2023-10-15

k2arahey2#

我意识到没有直接回答你的问题，但是看到你正在使用Azure并且可能使用数据工厂（或者将来在编排/生产数据砖工作时可能会使用）。
您可能希望考虑数据工厂删除活动，这是数据工厂v2的一个合理的新添加：https://learn.microsoft.com/en-us/azure/data-factory/delete-activity
它具有并行删除的能力。

赞(0）回复(0）举报 2023-10-15

xcitsw883#

我在Azure Blob Gen2存储上使用了以下方法（scala）：
subMask包含partitionBy在parquet文件持久化期间创建的结构。

mssparkutils.fs.rm（x，true）* 递归地删除目录。

val rootPath = "abfss://**@**.dfs.core.windows.net/parquet/poc-out/"
    val subMask = s"/year=$year/month=$month/day=$dayOfMonth/"    

    mssparkutils.fs.ls(rootPath).filter(_.isDir).foreach( r => 
        {
            val sd = s"${r.path}$subMask"
            val pathExists = mssparkutils.fs.exists(sd)
            if(pathExists){
                mssparkutils.fs.rm(sd, true) //remove path + files
            }
        }
    )

赞(0）回复(0）举报 2023-10-15

jdgnovmf4#

file_location="give the file location"
objectName="abc"
listOfFile = dbutils.fs.ls(file_location)
fileNameSamePattern=[]

for file in listOfFile:
  if file.name.startswith(objectName):
    fileNameSamePattern.append(file.name)
print("File List of same pattern",fileNameSamePattern)

#deleting files from blob

for file in fileNameSamePattern:
    source_path = file_location + file
    dbutils.fs.rm(source_path)

赞(0）回复(0）举报 2023-10-15

我来回答

pyspark 使用Spark删除Azure blob中的文件的更快方法是什么？

4条答案

相关问题

热门标签

最新问答