热门文章
 当前位置：技术文章 > 编程面试题 >

熊猫无法读取在PySpark中创建的实木复合地板文件

问题内容：

我正在通过以下方式从Spark DataFrame编写镶木地板文件：

df.write.parquet("path/myfile.parquet", mode = "overwrite", compression="gzip")

这将创建一个包含多个文件的文件夹。

当我尝试将其读入pandas时，会出现以下错误，具体取决于我使用的解析器：

import pandas as pd
df = pd.read_parquet("path/myfile.parquet", engine="pyarrow")

PyArrow：

pyarrow.lib.check_status中的文件“ pyarrow \ error.pxi”，第83行

ArrowIOError：无效的实木复合地板文件。页脚已损坏。

快速镶木地板：

文件“ C：\ Program Files \ Anaconda3 \ lib \ site-packages \ fastparquet \
util.py”，行38，在default_open中返回open（f，mode）

PermissionError：[Errno 13]权限被拒绝：’path / myfile.parquet’

我正在使用以下版本：

  • 火花2.4.0
  • 熊猫0.23.4
  • 罂粟0.10.0
  • 快速镶木地板0.2.1

我尝试了gzip以及灵活的压缩。两者都不起作用。我当然要确保文件位于Python有权读取/写入的位置。

如果有人能够重现此错误，则已经有所帮助。


问题答案：

由于即使使用较新的pandas版本，这似乎仍然是一个问题，因此我编写了一些函数来规避此问题，这是更大的pyspark helpers库的一部分：

import pandas as pd
import datetime

def read_parquet_folder_as_pandas(path, verbosity=1):
  files = [f for f in os.listdir(path) if f.endswith("parquet")]

  if verbosity > 0:
    print("{} parquet files found. Beginning reading...".format(len(files)), end="")
    start = datetime.datetime.now()

  df_list = [pd.read_parquet(os.path.join(path, f)) for f in files]
  df = pd.concat(df_list, ignore_index=True)

  if verbosity > 0:
    end = datetime.datetime.now()
    print(" Finished. Took {}".format(end-start))
  return df


def read_parquet_as_pandas(path, verbosity=1):
  """Workaround for pandas not being able to read folder-style parquet files.
  """
  if os.path.isdir(path):
    if verbosity>1: print("Parquet file is actually folder.")
    return read_parquet_folder_as_pandas(path, verbosity)
  else:
    return pd.read_parquet(path)

这假定拼花地板“文件”中的相关文件（实际上是一个文件夹）以“
.parquet”结尾。这适用于数据砖导出的拼花文件，也可以与其他文件一起使用（未经测试，对评论中的反馈感到高兴）。

read_parquet_as_pandas()如果事先不知道是否为文件夹，则可以使用该功能。