Megosztás a következőn keresztül:

Fájl metaadatainak oszlopa

  • Cikk

A bemeneti fájlok metaadatait a _metadata oszlopban szerezheti be. A _metadata oszlop egy rejtett oszlop, és minden bemeneti fájlformátumhoz elérhető. A _metadata oszlopnak a visszaadott DataFrame-be való belefoglalásához explicit módon hivatkoznia kell rá a lekérdezésben.

Ha az adatforrás egy _metadatanevű oszlopot tartalmaz, a lekérdezések az adatforrásból, nem pedig a fájl metaadataiból adják vissza az oszlopot.

Figyelmeztetés

A jövőbeli kiadásokban új mezőket adhat hozzá a _metadata oszlophoz. A _metadata oszlop frissítésekor felmerülő sémafejlődési hibák elkerülése érdekében a Databricks azt javasolja, hogy a lekérdezések oszlopából válasszon ki bizonyos mezőket. Lásd a példákat.

Támogatott metaadatok

A _metadata oszlop egy STRUCT, amely a következő mezőket tartalmazza:

Név Típus Leírás Példa A Databricks runtime minimális kiadása
file_path STRING A bemeneti fájl elérési útja. file:/tmp/f0.csv 10.5
file_name STRING A bemeneti fájl neve a bővítményével együtt. f0.csv 10.5
file_size LONG A bemeneti fájl hossza bájtban. 628 10.5
file_modification_time TIMESTAMP A bemeneti fájl utolsó módosítási időbélyege. 2021-12-20 20:05:21 10.5
file_block_start LONG Az olvasott blokk kezdő eltolása bájtban. 0 13,0
file_block_length LONG Az olvasandó blokk hossza bájtban. 628 13,0

Példák

Alapszintű fájlalapú adatforrás-olvasó használata

Python

df = spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("*", "_metadata")

display(df)

'''
Result:
+---------+-----+----------------------------------------------------+
|   name  | age |                 _metadata                          |
+=========+=====+====================================================+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f0.csv",                |
| Debbie  | 18  |    "file_name": "f0.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-07-02 01:05:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f1.csv",                |
| Frank   | 24  |    "file_name": "f1.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-12-20 02:06:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
'''

Scala

val df = spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("*", "_metadata")

display(df_population)

/* Result:
+---------+-----+----------------------------------------------------+
|   name  | age |                 _metadata                          |
+=========+=====+====================================================+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f0.csv",                |
| Debbie  | 18  |    "file_name": "f0.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-07-02 01:05:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f1.csv",                |
| Frank   | 24  |    "file_name": "f1.csv",                          |
|         |     |    "file_size": 10,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-12-20 02:06:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
*/

Adott mezők kijelölése

Python

spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("_metadata.file_name", "_metadata.file_size")

Scala

spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("_metadata.file_name", "_metadata.file_size")

Használat szűrőkben

Python

spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("*") \
  .filter(col("_metadata.file_name") == lit("test.csv"))

Scala

spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("*")
  .filter(col("_metadata.file_name") === lit("test.csv"))

Használat a(z) COPY INTO-ban

COPY INTO my_delta_table
FROM (
  SELECT *, _metadata FROM 'abfss://my-container-name@storage-account-name.dfs.core.windows.net/csvData'
)
FILEFORMAT = CSV

Használat az Automatikus betöltőben

Feljegyzés

Amikor a _metadata oszlopot írjuk, átnevezzük source_metadata-re. A _metadata írása lehetetlenné tenné a metaadatok oszlopának elérését a céltáblában, mert ha az adatforrás egy _metadatanevű oszlopot tartalmaz, a lekérdezések az adatforrásból fogják visszaadni az oszlopot, nem pedig a fájl metaadatait.

Python

spark.readStream \
  .format("cloudFiles") \
  .option("cloudFiles.format", "csv") \
  .schema(schema) \
  .load("abfss://my-container-name@storage-account-name.dfs.core.windows.net/csvData") \
  .selectExpr("*", "_metadata as source_metadata") \
  .writeStream \
  .option("checkpointLocation", checkpointLocation) \
  .start(targetTable)

Scala

spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "csv")
  .schema(schema)
  .load("abfss://my-container-name@storage-account-name.dfs.core.windows.net/csvData")
  .selectExpr("*", "_metadata as source_metadata")
  .writeStream
  .option("checkpointLocation", checkpointLocation)
  .start(targetTable)