- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个场景,其中有两个 blob 容器
,分别属于两个不同的 azure
存储帐户
。这两个容器都安装在 Databricks 工作区中。第一个容器cnt-input
有一个文件夹,其中包含大量zip
文件(每天20K),每个大约5GB 尺寸。压缩比为1/10,也就是说解压后会得到多个csv
文件,总大小为appx.csv。 50GB。 Zip
文件每天都会推送到此容器。我想创建一个 pyspark
笔记本:
1- 增量处理文件;检测新传入的文件并保留已处理的文件。
2- 将大量文件作为一批(例如20K)进行解压,并将解压后的csv
文件保存在第二个blob<中
容器:cnt-output
。
3- 该过程应该是高性能且最佳的(Databricks
运行时版本为 12.1,集群有 8 个 Standard_DS3_v2
类型的工作节点)。
最佳答案
您可以按照以下方法进行操作。
在这里,我正在加载 zip 文件,将其解压并使用以下命令将其上传到 blob 容器自动装载机概念。它增量加载数据。
import os
import zipfile
def extract_zip_file(file_data):
file_path, modificationTime,length,content = file_data
with zipfile.ZipFile(file_path.replace("dbfs:","/dbfs"), 'r') as zip_ref:
zip_ref.extractall("/dbfs"+output_mount_path+"csv_data")
input_mount_path = "/mnt/jgsblob/cnt-input/"
output_mount_path = "/mnt/jgsblob2/cnt-ouput/"
extract_zip_file
是用于提取spark读取的文件的函数readstream
如下。
query = spark.readStream.format("cloudFiles").option("cloudFiles.format", "binaryFile").option("pathGlobFilter", "*.zip")\
.load(input_mount_path+"Databricks").writeStream.option("checkpointLocation", output_mount_path+"chk_point/")\
.foreachBatch(lambda batch_df, batch_id: batch_df.foreach(extract_zip_file)).start()
在此代码中,我使用的格式为cloudFiles,它调用自动加载器,和 checkpointLocation ,用于存储已上传的记录。
下面是容器一中的zip文件,即输入挂载路径input_mount_path =“/mnt/jgsblob/cnt-input/”
输出:以下是容器 2 中提取的文件,即输出挂载路径。output_mount_path =“/mnt/jgsblob2/cnt-ouput/”
在这里,您可以看到 cosmetics.csv 和 voted-kaggle-dataset 最初是在 11:51 创建的,我上传了新的zip 文件,然后在 11:55 gold.csv 加载,即使以前的 zip 文件包含在容器一中。
确保根据您的输入数据大小使用正确的节点类型。因为我已经针对小文件进行了测试。
关于azure - 使用 Databricks PySpark 解压缩大文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/76475541/
我有点想做 the reverse of this. 我不想解压缩并将收集文件添加到 S3 应用户要求: 生成一堆xml文件 使用一些图像(托管在 s3 上的预先存在的图像)压缩 xml 文件 下载
将此添加到域的虚拟主机后 AddOutputFilterByType DEFLATE application/javascript text/javascript text/css 响应头不包含任何内
在 Apache Im 中,通过将以下内容添加到我的 .htaccess 文件来启用输出压缩: # compress text, html, javascript, css, xml: AddOutp
是否可以以压缩格式将请求数据从浏览器发送到服务器? 如果是,我们该怎么做? 最佳答案 压缩从浏览器发送到服务器的数据是不受 native 支持 在浏览器中。 您必须找到一种解决方法,使用客户端语言(可
我正在寻找可以压缩JavaScript源代码的工具。我发现一些网络工具只能删除空格字符?但也许存在更好的工具,可以压缩用户的函数名称、字段名称、删除未使用的字段等。 最佳答案 经常用来压缩JS代码的工
使用赛马博彩场景,假设我有许多单独的投注来预测比赛的前 4 名选手 (superfecta)。 赌注如下... 1/2/3/4 1/2/3/5 1/2/4/3 1/2/4/5 1/2/5/3
我是一名实习生,被要求对 SQL 2008 数据压缩进行一些研究。我们想将 Outlook 电子邮件的几个部分存储在一个表中。问题是我们想将整个电子邮件正文存储在一个字段中,然后又想压缩它。使用 Ch
我目前有一个系统,用户可以在其中上传 MP4 文件,并且可以在移动设备上下载该文件。但有时,这些视频的大小超过 5MB,在我国,大多数人使用 2G。因此,下载大型视频通常需要 15-20 分钟。 有什
假设我有一个带有类型列的简单文档表: Documents Id Type 1 A 2 A 3 B 4 C 5 C 6 A 7 A 8 A 9 B 10 C 用户
我有一个较大字符串中的(子)字符串位置的 data.frame。数据包含(子)字符串的开头及其长度。可以很容易地计算出(子)字符串的结束位置。 data1 start length end #>
我想知道是否 文件加密算法可以设计成它也可以执行文件压缩的事件(任何活生生的例子?)。 我也可以将它集成到移动短信服务中,我的意思是短信吗? 另外我想知道二进制文件...如果纯文本文件以二进制编码
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve thi
我们有几个具有大量 JavaScript 的 Java 项目,目前我们使用的是旧版本的 YUICompressor (2.4.2)。然而,我在这篇博文中发现 YUICompressor 正在 depr
从之前关于尝试提高网站性能的文章中,我一直在研究 HTTP 压缩。我读过有关在 IIS 中设置它的信息,但它似乎是所有 IIS 应用程序池的全局事物,我可能不允许这样做,因为还有另一个站点在其上运行。
我有一个 REST 服务,它返回一大块 XML,大约值(value) 150k。 例如http://xmlservice.com/services/RestService.svc/GetLargeXM
我正在尝试获取一个简单的 UglifyJS (v2.3.6) 示例来处理压缩。 具体来说,“未使用”选项,如果从未使用过,变量和函数将被删除。 这是我在命令行上的尝试: echo "function
我正在开发一个项目,如果我的磁盘出现问题,我将在使用 ZLIB 压缩内存块后将其发送到另一个磁盘。然后我计划下载该转储并用于进一步调试。这种压缩和上传将一次完成一个 block - 比如说 1024
LZW 压缩算法在压缩后增加了位大小: 这是压缩函数的代码: // compression void compress(FILE *inputFile, FILE *outputFile) {
我的问题与如何在 3D 地形上存储大量信息有关。这些信息应该是 secret 的,因为它们非常庞大,也应该被压缩。我选择了文件存储,现在我想知道将对象数据加密/压缩(或压缩/加密)到文件的最佳做法。
我使用以下代码来压缩我的文件并且效果很好,但我只想压缩子文件夹而不是在压缩文件中显示树的根。 public boolean zipFileAtPath(String sourcePath, Strin
我是一名优秀的程序员,十分优秀!