Megosztás a következőn keresztül:

Fájl metaadatainak oszlopa

  • Cikk

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

Ha az adatforrás tartalmaz egy elnevezett _metadataoszlopot, a lekérdezések az adatforrás oszlopát, nem pedig a fájl metaadatait adják vissza.

Figyelmeztetés

A későbbi kiadásokban új mezőket adhat hozzá az _metadata oszlophoz. A sémafejlődési hibák elkerülése érdekében, ha az oszlop frissül, a _metadata Databricks azt javasolja, hogy bizonyos mezőket válasszon ki a lekérdezések oszlopából. Lásd a példákat.

Támogatott metaadatok

Az _metadata oszlop a következő mezőket STRUCT 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 Kezdje eltolni az éppen beolvasott blokkot 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 COPY INTO alkalmazásban

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

Az oszlop írásakor átnevezzük _metadata a következőre source_metadata: . Ha úgy írja meg, hogy _metadata a céltábla metaadatoszlopa nem érhető el, mert ha az adatforrás tartalmaz egy elnevezett _metadataoszlopot, a lekérdezések az adatforrásból, nem pedig a fájl metaadataiból fogják visszaadni az oszlopot.

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)