Azure Databricks で単一のJSONファイルにデータを書き込んでみました

概要

Azure Databricks のデータ書き込みにおいて、シングルファイルで可能かどうかという依頼を頂いたので、サクッと検証した結果報告となります。 Spark と Pandas で少し結果が異なるようです。

ローカル環境

• macOS Monterey 12.1
• python 3.8.12

前提条件

1. Azure Databricks の環境が準備できていること - 参考
2. Azure CostManagement 等のデータがBLOBに蓄積されていること（JSONであれば問わず） - 参考
3. Azure Databricks から 上記 BLOB のコンテナをマウントできていること
   • 読み込みコンテナのマウントポイント：/mnt/blob-data
   • 書き込みコンテナのマウントポイント：/mnt/blob-data2

---

データの準備

Blob Storageをマウントした ディレクトリ と ファイル の確認

cmd_1

# マウント先DBFSディレクトリ（データ読み込み用）
mount_point = "/mnt/blob-data"

# マウント先DBFSディレクトリ（データ書き込み用）
mount_point2 = "/mnt/blob-data2"

# ディレクトリの確認
display(dbutils.fs.mounts())

# ファイルの確認（ファイルが存在しないとエラーが発生）
# mount_point = "/mnt/{マウント先ディレクトリ}"
display(dbutils.fs.ls(mount_point))
display(dbutils.fs.ls(mount_point2))

データの読み込み（＋マージ）

cmd_2

# Blob から 全ファイルの読込 --> PySpark Dataframes 型式
# （読み込むファイルの指定をワイルドカードにすると、複数ファイルを同時に扱えます）
storename = mount_point + '/*.json'
sdf = spark.read\
    .option("multiline", "true").option("header", "false").option("inferSchema", "false")\
    .json(storename)

display(sdf)

読み込んだデータの変換

cmd_3

import pandas as pd
import datetime

# PySpark Dataframes から Pandas への変換
pdf = sdf.toPandas()

# 日付(date)をint64型からdatetime64型に変換
print(pdf['Date'].dtype)  # 変換前のデータ型
pdf['Date'] = pd.to_datetime(pdf['Date'].astype(str), format='%Y-%m-%d')
print(pdf['Date'].dtype)  # 変換後のデータ型

# Pandas から PySpark Dataframes への変換
df = spark.createDataFrame(pdf)
display(df)

---

データの書き込み

Spark to Write Data to Multi JSON files （データの容量により複数ファイルに分割される）

cmd_4

# ファイル名の作成
storename = mount_point2 + '/MargeUsageCost_' + datetime.datetime.now().strftime('%Y%m%d_%H%M%S') + '.json'
print(storename)

# データ保存：複数ファイルの分割されます
df.write.mode('overwrite').json(storename)

# データ確認
display(dbutils.fs.ls(mount_point2))
display(dbutils.fs.ls(storename))

Spark to Write Data to a Single JSON file （Use the coalesce Feature）

cmd_5

# ファイル名の作成
storename = mount_point2 + '/MargeUsageCost_' + datetime.datetime.now().strftime('%Y%m%d_%H%M%S') + '.json'
print(storename)

# データ保存：シングルファイルですが、ディレクトリが作成されます
df.coalesce(1).write.mode('overwrite').json(storename)

# データ確認
display(dbutils.fs.ls(mount_point2))
display(dbutils.fs.ls(storename))

Pandas to Write Data to a Single JSON file （Use collect and Pandas）

cmd_6

# ファイル名の作成
storename = '/dbfs' + mount_point2 + '/MargeUsageCost_' + datetime.datetime.now().strftime('%Y%m%d_%H%M%S') + '.json'
print(storename)

# PySpark Dataframes から Pandas への変換
dfp = df.toPandas()

# データ保存：マウントポイントにシングルファイルで書き込みされます
# orientを指定しない場合、orient='columns'を指定したときと同じ内容でjson出力されます
# dfp.to_json(storename, orient='columns', date_format='iso')  # 列で書き込む場合
dfp.to_json(storename, orient='records', date_format='iso')  # 行で書き込む場合

# データ確認
display(dbutils.fs.ls(mount_point2))

---

まとめ

Azure Databricks の書き込みにおいて、通常複数ファイルに分割されますが、シングルファイルでできる方法を確認できました。

参考記事

以下の記事を参考にさせていただきました。感謝申し上げます
Write to a Single CSV File(Python)
pandas.DataFrame.to_json