Kolom metadata file

  • Artikel

Anda bisa mendapatkan informasi metadata untuk file input dengan _metadata kolom . Kolom _metadata adalah kolom tersembunyi , dan tersedia untuk semua format file input. Untuk menyertakan _metadata kolom dalam DataFrame yang dikembalikan, Anda harus secara eksplisit mereferensikannya dalam kueri Anda.

Jika sumber data berisi kolom bernama _metadata, kueri mengembalikan kolom dari sumber data, dan bukan metadata file.

Peringatan

Bidang baru mungkin ditambahkan ke _metadata kolom dalam rilis mendatang. Untuk mencegah kesalahan evolusi skema jika kolom diperbarui _metadata , Databricks merekomendasikan untuk memilih bidang tertentu dari kolom dalam kueri Anda. Lihat contoh.

Metadata yang didukung

Kolom _metadata berisi STRUCT bidang berikut:

Nama Jenis Deskripsi Contoh Rilis Runtime Databricks Minimum
file_path STRING Jalur file file input. file:/tmp/f0.csv 10.5
file_name STRING Nama file input bersama dengan ekstensinya. f0.csv 10.5
file_size LONG Panjang file input, dalam byte. 628 10.5
file_modification_time TIMESTAMP Tanda waktu modifikasi terakhir dari file input. 2021-12-20 20:05:21 10.5
file_block_start LONG Mulai offset blok yang dibaca, dalam byte. 0 13.0
file_block_length LONG Panjang blok yang dibaca, dalam byte. 628 13.0

Contoh

Gunakan dalam pembaca sumber data berbasis file dasar

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" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
*/

Pilih bidang tertentu

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")

Gunakan dalam filter

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"))

Gunakan dalam COPY INTO

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

Gunakan di Auto Loader

Catatan

Saat menulis _metadata kolom, kami mengganti namanya menjadi source_metadata. Menulisnya seperti _metadata yang akan membuatnya tidak mungkin untuk mengakses kolom metadata dalam tabel target, karena jika sumber data berisi kolom bernama _metadata, kueri akan mengembalikan kolom dari sumber data, dan bukan metadata file.

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 \
  .format("delta") \
  .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
  .format("delta")
  .option("checkpointLocation", checkpointLocation)
  .start(targetTable)