如何在PySpark中从HDFS读取xlsx文件?一种方法是将其转换为csv文件,但我有很多文件,我正在寻找其他方法。
我不认为你可以使用标准的火花库来做到这一点。您可能希望将此作为替代方案 - https://github.com/crealytics/spark-excel
您可以使用SparkFiles
直接读取它们:
# spark is a SparkSession instance
from pyspark import SparkFiles
spark.sparkContext.addFile('hdfs:///user/bekce/myfile.xlsx')
with open(SparkFiles.get('myfile.xlsx'), 'rb') as handle:
do_whatever(handle)