以前、こちらの記事を書きました。

今時点ではファイルの格納場所は5種類あります(多い)。

Unity Catalogボリューム
ワークスペースファイル
クラウドオブジェクトストレージ
DBFS マウントと DBFS ルート
クラスターのドライバーノードに接続された一時ストレージ

そして、アクセスする手段もいくつかあります(これも多い)。手段によってデフォルトのアクセス先が異なりますので注意が必要です。

Apache Spark
Spark SQL と Databricks SQL
Databricks ファイルシステムユーティリティ ( dbutils.fsまたは%fs )
Databricks CLI
Databricks REST API
Bash シェルコマンド ( %sh )
ノートブックスコープのライブラリは次を使用してインストールされます(%pip)
Pandas
OSS Python ファイル管理および処理ユーティリティ

そのような中、こちらのマニュアルがあることに気づきました。

Databricks上のファイルを操作する

私自身もパスの指定でハマったので、特に以下にフォーカスして整理します。

格納場所

Unity Catalogボリューム
ワークスペースファイル

アクセス手段

Apache Spark
Spark SQL と Databricks SQL
Bash シェルコマンド ( %sh )
Pandas

DBFSやドライバーノードのストレージに関してはこちらをご覧ください。

パスの指定方法

こちらにあるように、パスの指定の方法には二種類あります(これもわかりにくいですが)。

URIスタイル パスの先頭にdbfs:/、file:/、s3://を付けることでアクセス先を切り替えます。
POSIXスタイル ルート/からスタートして、トップレベルのパスでアクセス先を切り替えます。

Unity Catalogボリュームへのアクセス

シンプルです。どのツールでアクセスしようがすべて/Volumes/...でアクセスできます。(フォーカス外のCLIはdbfs:/が必要ですが)

Apache Spark

spark.read.format("parquet").load(
    "/Volumes/takaakiyayoi_catalog/japan_covid_analysis/covid_data/covid_case_base.parquet/"
).show()

+----------+-----+-------------------+
|Prefecture|Cases|     date_timestamp|
+----------+-----+-------------------+
|     Chiba|  369|2022-06-19 00:00:00|
|     Chiba|  175|2022-06-20 00:00:00|
|     Chiba|  608|2022-06-21 00:00:00|
|     Chiba|  609|2022-06-22 00:00:00|
|     Chiba|  499|2022-06-23 00:00:00|
|     Chiba|  541|2022-06-24 00:00:00|
|     Chiba|  556|2022-06-25 00:00:00|
|     Chiba|  472|2022-06-26 00:00:00|
|     Chiba|  241|2022-06-27 00:00:00|
|     Chiba|  863|2022-06-28 00:00:00|
|     Chiba|  894|2022-06-29 00:00:00|
|     Chiba|  971|2022-06-30 00:00:00|
|     Chiba|  933|2022-07-01 00:00:00|
|     Chiba| 1159|2022-07-02 00:00:00|
|     Chiba|  986|2022-07-03 00:00:00|
|     Chiba|  505|2022-07-04 00:00:00|
|     Chiba| 1966|2022-07-05 00:00:00|
|     Chiba| 2060|2022-07-06 00:00:00|
|     Chiba| 2117|2022-07-07 00:00:00|
|     Chiba| 2381|2022-07-08 00:00:00|
+----------+-----+-------------------+
only showing top 20 rows

Spark SQL

%sql
SELECT
  *
FROM
  parquet.`/Volumes/takaakiyayoi_catalog/japan_covid_analysis/covid_data/covid_case_base.parquet/`

Bashシェル

%sh
ls /Volumes/takaakiyayoi_catalog/japan_covid_analysis/covid_data/covid_case_base.parquet/

_committed_1131933069779283096
_committed_2145691642244333962
_committed_7506936976801055477
_committed_vacuum8655210730324482919
_started_2145691642244333962
part-00000-tid-2145691642244333962-5ed32037-2a47-48b5-9f90-f16ce8c91de2-1-1-c000.snappy.parquet
part-00001-tid-2145691642244333962-5ed32037-2a47-48b5-9f90-f16ce8c91de2-2-1-c000.snappy.parquet
part-00002-tid-2145691642244333962-5ed32037-2a47-48b5-9f90-f16ce8c91de2-3-1-c000.snappy.parquet
part-00003-tid-2145691642244333962-5ed32037-2a47-48b5-9f90-f16ce8c91de2-4-1-c000.snappy.parquet

Pandas

import pandas as pd

df = pd.read_csv('/Volumes/takaakiyayoi_catalog/japan_covid_analysis/covid_data/newly_confirmed_cases_daily.csv')
df

ワークスペースファイルへのアクセス

Sparkでアクセスする際には注意が必要です。POSIX形式でパスを指定すると、デフォルト挙動でDBFSにアクセスしに行ってしまい、FILE

spark.read.format("csv").load(
    "/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv"
).show()

[PATH_NOT_FOUND] Path does not exist: dbfs:/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv. SQLSTATE: 42K03
File <command-650609732900418>, line 1
----> 1 spark.read.format("csv").load(
      2     "/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv"
      3 ).show()
File /databricks/spark/python/pyspark/errors/exceptions/captured.py:230, in capture_sql_exception.<locals>.deco(*a, **kw)
    226 converted = convert_exception(e.java_exception)
    227 if not isinstance(converted, UnknownException):
    228     # Hide where the exception came from that shows a non-Pythonic
    229     # JVM exception message.
--> 230     raise converted from None
    231 else:
    232     raise

Apache Spark

URIスタイルでパスを指定してください。パスの先頭にfile:を追加します。

spark.read.format("csv").option("header", True).load(
    "file:/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv"
).show()

+----+---------+----------------+-------+-----+-------+--------+-------+-----------+
|Team|Player_ID|          Player|Matches| Runs|Wickets|Hundreds|Fifties| Speciality|
+----+---------+----------------+-------+-----+-------+--------+-------+-----------+
| Ind|   498403|    Yuvraj Singh|    111| 2948|    167|       9|     28|All-rounder|
|  SA|   533880|      Jaq Kallis|    248| 7758|    258|      12|     38|All-rounder|
|  WI|   391674|     Dwane Bravo|    355| 8586|    118|       5|     22|All-rounder|
| Ban|   566945| Shakib Ul-hasan|    156|13714|    118|      11|     18|All-rounder|
| End|    10543| Andrew Filntoff|    353|18201|    216|       9|     42|All-rounder|
| Ind|   895647|     Virat Kohli|    343|14970|     29|      34|     66|        Bat|
| Ind|   142991|    Rohit Sharma|    148| 8246|     10|      48|     14|        Bat|
| Ind|   178781|   Shreyas Iyyer|     79|10929|     21|      44|     86|        Bat|
| Ind|   204027|  Shekhar Dhawan|    428|15999|      4|      39|     27|        Bat|
| Ind|   652081| Virendra Sehwag|    426| 7758|     25|      44|     65|        Bat|
| Aus|    49991|  Ricky Pointing|    293| 7758|     36|      32|     28|        Bat|
| Pak|   192546|   Inzmam Ul-Haq|    444| 2696|     14|      41|     88|        Bat|
|  SA|   550111|    AB Deviliers|    146| 1599|      7|      25|     75|        Bat|
|  SL|   232833|Sanath Jaysuriya|    376| 7396|     21|      27|     23|        Bat|
| Ind|   153571|Sachin Tendulkar|    336| 4850|      4|      40|     10|        Bat|
| Ind|   540382|        MS Dhoni|    311|14700|     19|      26|     38|        Bat|
| Aus|   548172|    Mathew Hyden|    327| 1427|     28|      37|     78|        Bat|
|  WI|   396184|     Chris Gayle|    311| 8680|     31|      38|     67|        Bat|
| End|   258821|     Eoin Morgan|    460| 7474|      9|      29|     59|        Bat|
| End|   174931|  Kevin Peterson|    332|13368|     29|       3|     58|        Bat|
+----+---------+----------------+-------+-----+-------+--------+-------+-----------+
only showing top 20 rows

Spark SQL

%sql
SELECT * FROM read_files(
  'file:/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv',
  format => 'csv',
  header => true,
  mode => 'FAILFAST')

Bashシェル

%sh
ls /Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path

Cricket_data_set_odi.csv
path

Pandas

import pandas as pd

df = pd.read_csv('/Workspace/Users/takaaki.yayoi@databricks.com/20240325_file_path/Cricket_data_set_odi.csv')
df

まとめ

Sparkでワークスペースファイルにアクセスする際には、file:を忘れないようにしてください。

	ボリューム	ワークスペースファイル
Apache Spark	`/Volumes/...`	`file:/Workspace/...`
Spark SQL	`/Volumes/...`	`file:/Workspace/...`
Bashシェル	`/Volumes/...`	`/Workspace/...`
Pandas	`/Volumes/...`	`/Workspace/...`

はじめてのDatabricks

はじめてのDatabricks

Databricks無料トライアル

Databricks無料トライアル