我正在尝试从我的命令行EMR获取一些S3文件夹的大小,这些文件夹与scala
相关。
我在S3中以GZ文件的形式存储JSON数据。我发现我可以计算文件中JSON记录的数量:
spark.read.json("s3://mybucket/subfolder/subsubfolder/").count
但现在我需要知道这些数据占用多少GB。
我正在寻找获取单个文件大小的选项,但不是整个文件夹的大小。
我正在尝试从我的命令行EMR获取一些S3文件夹的大小,这些文件夹与scala
相关。
我在S3中以GZ文件的形式存储JSON数据。我发现我可以计算文件中JSON记录的数量:
spark.read.json("s3://mybucket/subfolder/subsubfolder/").count
但现在我需要知道这些数据占用多少GB。
我正在寻找获取单个文件大小的选项,但不是整个文件夹的大小。
val fs = FileSystem.get(new URI(ipPath), spark.sparkContext.hadoopConfiguration)
注意:
1)
new URI
非常重要,否则它将连接到Hadoop文件系统路径,而不是S3文件系统(对象存储:-)路径。使用新的URI可以在这里提供方案s3://
。2)
org.apache.commons.io.FileUtils.byteCountToDisplaySize
将以GB MB等显示文件系统的显示大小...
/**
* recursively print file sizes
*
* @param filePath
* @param fs
* @return
*/
@throws[FileNotFoundException]
@throws[IOException]
def getDisplaysizesOfS3Files(filePath: org.apache.hadoop.fs.Path, fs: org.apache.hadoop.fs.FileSystem): scala.collection.mutable.ListBuffer[String] = {
val fileList = new scala.collection.mutable.ListBuffer[String]
val fileStatus = fs.listStatus(filePath)
for (fileStat <- fileStatus) {
println(s"file path Name : ${fileStat.getPath.toString} length is ${fileStat.getLen}")
if (fileStat.isDirectory) fileList ++= (getDisplaysizesOfS3Files(fileStat.getPath, fs))
else if (fileStat.getLen > 0 && !fileStat.getPath.toString.isEmpty) {
println("fileStat.getPath.toString" + fileStat.getPath.toString)
fileList += fileStat.getPath.toString
val size = fileStat.getLen
val display = org.apache.commons.io.FileUtils.byteCountToDisplaySize(size)
println(" length zero files \n " + fileStat)
println("Name = " + fileStat.getPath().getName());
println("Size = " + size);
println("Display = " + display);
} else if (fileStat.getLen == 0) {
println(" length zero files \n " + fileStat)
}
}
fileList
}
getContentSummary
。implicit val spark = SparkSession.builder().appName("ObjectSummary").getOrCreate()
/**
* getDisplaysizesOfS3Files
* @param path
* @param spark [[org.apache.spark.sql.SparkSession]]
*/
def getDisplaysizesOfS3Files(path: String)( implicit spark: org.apache.spark.sql.SparkSession): Unit = {
val filePath = new org.apache.hadoop.fs.Path(path)
val fileSystem = filePath.getFileSystem(spark.sparkContext.hadoopConfiguration)
val size = fileSystem.getContentSummary(filePath).getLength
val display = org.apache.commons.io.FileUtils.byteCountToDisplaySize(size)
println("path = " + path);
println("Size = " + size);
println("Display = " + display);
}
注意:上面显示的任何选项都适用于本地、HDFS或S3。