如何使用 Databricks 访问 AWS 公共数据集？

如何解决如何使用 Databricks 访问 AWS 公共数据集？

对于我的一门课，我必须分析一个“大数据”数据集。我在 AWS Registry of Open Data 上发现了以下看起来很有趣的数据集：

https://registry.opendata.aws/openaq/

我究竟如何创建连接并将此数据集加载到 Databricks 中？我尝试了以下方法：

df = spark.read.format("text").load("s3://openaq-fetches/")

但是，我收到以下错误：

java.lang.AssertionError: assertion Failed: Conflicting directory structures detected. SuspicIoUs paths:

另外，这个数据集似乎有多个文件夹。如何访问 Databricks 中的特定文件夹，如果可能，我是否可以专注于特定时间范围？比如说，从 2016 年到 2020 年？

最终，我想执行各种 sql 查询以分析数据集并可能创建一些可视化效果。提前致谢。

解决方法

如果您browse the bucket，您会看到那里有多个不同格式的数据集，需要不同的访问方法。所以你需要指向特定的文件夹（可能还有它的子文件夹来加载数据）。例如，要加载 daily 数据集，您需要使用 CSV 格式：

df = spark.read.format("csv").option("inferSchema","true")\
   .option("header","false").load("s3://openaq-fetches/daily/")

例如，要仅加载数据的子集，您可以使用 path filters。见Spark documentation on loading data。

附言从性能的角度来看，inferSchema 不是非常理想，因此最好在阅读时明确 provide schema。