我正在用以下方法从Spark数据帧中编写一个拼花文件:
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。
当我试图将其读入pandas时,根据使用的解析器,会出现以下错误:
import pandas as pd
df = pd.read_parquet("path/myfile.parquet", engine="pyarrow")
箭头:
File "pyarrow\error.pxi", line 83, in pyarrow.lib.check_status
ArrowIOError: Invalid parquet file. Corrupt footer.
快速拼花:
File "C:\Program Files\Anaconda3\lib\site-packages\fastparquet\util.py", line 38, in default_open return open(f, mode)
PermissionError: [Errno 13] Permission denied: 'path/myfile.parquet'
我使用以下版本:
我尝试了gzip和快速压缩。两者都不起作用。当然,我确保文件位于Python有读/写权限的位置。
如果有人能重现这个错误,这已经有帮助了。
由于这似乎仍然是一个问题,即使是较新的pandas版本,我编写了一些函数来规避这一点,作为一个更大的pyspark helpers库的一部分:
这假设拼花“文件”中的相关文件实际上是一个文件夹,以“.parquet”结尾。这适用于数据块导出的拼花文件,也可能适用于其他人(未经测试,对评论中的反馈感到满意)。
如果事先不知道函数
read_parquet_as_pandas()
是否是文件夹,则可以使用该函数。问题是Spark由于文件的分布式特性而对其进行分区(每个执行器在接收文件名的目录中写入一个文件)。这不是Pandas所支持的,它需要一个文件,而不是一个路径。
你可以用不同的方式来规避这个问题:
使用替代实用程序(如
pyarrow.parquet.ParquetDataset
)读取文件,然后将其转换为Pandas(我没有测试此代码)。另一种方法是分别读取单独的片段,然后将它们连接起来,正如这个答案所建议的那样:Read multiple parquet files in a folder and write to single csv file using python
相关问题 更多 >
编程相关推荐