从 Databricks 中的 dbutils.fs.ls 输出创建数据框

Question

所以，我是一个初学者，正在 Databricks 上学习 Spark 编程 (pyspark) -

我想做什么？

列出目录中的所有文件并将其保存到数据框中，以便我能够在此文件列表上应用过滤、排序等。为什么 ？因为我试图找到目录中最大的文件。

为什么下面不起作用？ 我缺少什么？

from pyspark.sql.types import StringType

sklist = dbutils.fs.ls(sourceFile)

df = spark.createDataFrame(sklist,StringType())

Answer 1

好吧，实际上，我明白了:)。只是想把问题留在这里，以防有人从中受益。

所以基本上，问题出在模式上。并非列表中的所有元素都是字符串类型。因此，我显式创建了一个架构并在 createDataFrame 函数中使用它。

工作代码 -

from pyspark.sql.types import StructType, StructField, IntegerType, StringType

ddlSchema = StructType([
StructField('path',StringType()),
StructField('name',StringType()),
StructField('size',IntegerType())
])

sklist = dbutils.fs.ls(sourceFile)
df = spark.createDataFrame(sklist,ddlSchema)

Answer 2

您不需要设置架构：

df = spark.createDataFrame(dbutils.fs.ls(sourceFile))