Databricks 第5篇：Databricks文件系统（DBFS）

Databricks 文件系统 (DBFS，Databricks File System) 是一个装载到 Azure Databricks 工作区的分布式文件系统，可以在 Azure Databricks 群集上使用。 一个存储对象是一个具有特定格式的文件，不同的格式具有不同的读取和写入的机制。

DBFS 是基于可缩放对象存储的抽象，可以根据用户的需要动态增加和较少存储空间的使用量，Azure Databricks中装载的DBFS具有以下优势：

• 装载（mount）存储对象，无需凭据即可无缝访问数据。
• 使用目录和文件语义（而不是存储 URL）与对象存储进行交互。
• 将文件保存到对象存储，因此在终止群集后不会丢失数据。

Azure Databricks是一个分布式的计算系统，Cluster提供算力资源，包括CPU、内存和网络等资源，而DBFS提供数据和文件的存储空间、对文件的读写能力，它是Azure Databricks中一个非常重要基础设施。

一，DBFS根

DBFS 中默认的存储位置称为 DBFS 根（root），以下 DBFS 根位置中存储了几种类型的数据：

• /FileStore：导入的数据文件、生成的绘图以及上传的库
• /databricks-datasets：示例公共数据集，用于学习Spark或者测试算法。
• /databricks-results：通过下载查询的完整结果生成的文件。
• /tmp：存储临时数据的目录
• /user：存储各个用户的文件
• /mnt：（默认是不可见的）装载（挂载）到DBFS的文件，写入装载点路径(/mnt)中的数据存储在DBFS根目录之外。

在新的工作区中，DBFS 根具有以下默认文件夹：

DBFS 根还包含不可见且无法直接访问的数据，包括装入点元数据（mount point metadata）和凭据（credentials ）以及某些类型的日志。

DBFS还有两个特殊根位置是：FileStore 和 Azure Databricks Dataset。

• FileStore是一个用于存储文件的存储空间，可以存储的文件有多种格式，主要包括csv、parquet、orc和delta等格式。
• Dataset是一个示例数据集，用户可以通过该示例数据集来测试算法和Spark。

访问DBFS，通常是通过pysaprk.sql 模块、dbutils和SQL。

二，使用pyspark.sql模块访问DBFS

使用pyspark.sql模块时，通过相对路径"/temp/file" 引用parquet文件，以下示例将parquet文件foo写入 DBFS /tmp 目录。

#df.write.format("parquet").save("/tmp/foo",mode="overwrite")
df.write.parquet("/tmp/foo",mode="overwrite")

并通过Spark API读取文件中的内容：

#df =  spark.read.format("parquet").load("/tmp/foo")
df = spark.read.parquet("/tmp/foo")

三，使用SQL 访问DBFS

对于delta格式和parquet格式的文件，可以在SQL中通过 delta.`file_path`  或 parquet.`file_path`来访问DBFS：

select *
from delta.`/tmp/delta_file`

select *
from parquet.`/tmp/parquet_file`

注意，文件的格式必须跟扩展的命令相同，否则报错；文件的路径不是通过单引号括起来的，而是通过 `` 来实现的。

四，使用dbutils访问DBFS

dbutils.fs 提供与文件系统类似的命令来访问 DBFS 中的文件。 本部分提供几个示例，说明如何使用 dbutils.fs 命令在 DBFS 中写入和读取文件。

1，查看DBFS的目录

在python环境中，可以通过dbutils.fs来查看路径下的文件：

display(dbutils.fs.ls("dbfs:/foobar"))

2，读写数据

在 DBFS 根中写入和读取文件，就像它是本地文件系统一样。

# create folder
dbutils.fs.mkdirs("/foobar/")

# write data
dbutils.fs.put("/foobar/baz.txt", "Hello, World!")

# view head
dbutils.fs.head("/foobar/baz.txt")

# remove file
dbutils.fs.rm("/foobar/baz.txt")

# copy file
dbutils.fs.cp("/foobar/a.txt","/foobar/b.txt")

3，命令的帮助文档

dbutils.fs.help()

dbutils.fs 主要包括两跟模块：操作文件的fsutils和装载文件的mount

fsutils

cp(from: String, to: String, recurse: boolean = false): boolean -> Copies a file or directory, possibly across FileSystems
head(file: String, maxBytes: int = 65536): String -> Returns up to the first 'maxBytes' bytes of the given file as a String encoded in UTF-8
ls(dir: String): Seq -> Lists the contents of a directory
mkdirs(dir: String): boolean -> Creates the given directory if it does not exist, also creating any necessary parent directories
mv(from: String, to: String, recurse: boolean = false): boolean -> Moves a file or directory, possibly across FileSystems
put(file: String, contents: String, overwrite: boolean = false): boolean -> Writes the given String out to a file, encoded in UTF-8
rm(dir: String, recurse: boolean = false): boolean -> Removes a file or directory

mount

mount(source: String, mountPoint: String, encryptionType: String = "", owner: String = null, extraConfigs: Map = Map.empty[String, String]): boolean -> Mounts the given source directory into DBFS at the given mount point
mounts: Seq -> Displays information about what is mounted within DBFS
refreshMounts: boolean -> Forces all machines in this cluster to refresh their mount cache, ensuring they receive the most recent information
unmount(mountPoint: String): boolean -> Deletes a DBFS mount point

参考文档：

Databricks 文件系统 (DBFS)