谷歌云存储加入多个csv文件

我将数据集从 Google BigQuery 导出到 Google Cloud Storage，考虑到文件大小，BigQuery 将文件导出为 99 个 csv 文件。

然而，现在我想连接到我的 GCP 存储桶并使用 Spark 执行一些分析，但我需要将所有 99 个文件加入到一个大型 csv 文件中才能运行我的分析。

如何才能实现这一目标？

BigQuery 将导出的数据拆分为多个文件（如果是）大于1GB。但您可以将这些文件与gsutil工具, check 这个官方文档了解如何使用 gsutil 执行对象组合。

当 BigQuery 导出具有相同前缀的文件时，您可以使用通配符*将它们合并为一个复合对象：

gsutil compose gs://example-bucket/component-obj-* gs://example-bucket/composite-object

请注意，单个操作中可以组成的组件数量有限制（当前为 32 个）。

此选项的缺点是每个的标题行.csv文件将被添加到复合对象中。但你可以通过修改来避免这种情况jobConfig设置print_header范围 to False.

这是一个Python示例代码，但你可以使用任何其他 BigQuery 客户端库:

from google.cloud import bigquery
client = bigquery.Client()
bucket_name = 'yourBucket'

project = 'bigquery-public-data'
dataset_id = 'libraries_io'
table_id = 'dependencies'

destination_uri = 'gs://{}/{}'.format(bucket_name, 'file-*.csv')
dataset_ref = client.dataset(dataset_id, project=project)
table_ref = dataset_ref.table(table_id)

job_config = bigquery.job.ExtractJobConfig(print_header=False)

extract_job = client.extract_table(
    table_ref,
    destination_uri,
    # Location must match that of the source table.
    location='US',
    job_config=job_config)  # API request

extract_job.result()  # Waits for job to complete.

print('Exported {}:{}.{} to {}'.format(
    project, dataset_id, table_id, destination_uri))

最后记得写一个空的.csv仅包含标题行。