Colonna metadati file
È possibile ottenere informazioni sui metadati per i file di input con la _metadata colonna. La _metadata colonna è una colonna nascosta ed è disponibile per tutti i formati di file di input. Per includere la _metadata colonna nel dataframe restituito, è necessario farvi riferimento in modo esplicito nella query.
Se l'origine dati contiene una colonna denominata _metadata, le query restituiscono la colonna dall'origine dati e non i metadati del file.
Avviso
I nuovi campi potrebbero essere aggiunti alla _metadata colonna nelle versioni future. Per evitare errori di evoluzione dello schema se la _metadata colonna viene aggiornata, Databricks consiglia di selezionare campi specifici dalla colonna nelle query. Vedere esempi.
Metadati supportati
La _metadata colonna è un STRUCT oggetto contenente i campi seguenti:
| Nome | Digitare | Descrizione | Esempio | Versione minima di Databricks Runtime |
|---|---|---|---|---|
| file_path | STRING |
Percorso file del file di input. | file:/tmp/f0.csv |
10.5 |
| file_name | STRING |
Nome del file di input insieme alla relativa estensione. | f0.csv |
10.5 |
| file_size | LONG |
Lunghezza del file di input, in byte. | 628 | 10.5 |
| file_modification_time | TIMESTAMP |
Timestamp dell'ultima modifica del file di input. | 2021-12-20 20:05:21 |
10.5 |
| file_block_start | LONG |
Offset iniziale del blocco letto, in byte. | 0 | 13.0 |
| file_block_length | LONG |
Lunghezza del blocco in lettura, in byte. | 628 | 13.0 |
Esempi
Usare in un lettore di origine dati basato su file di base
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" |
| | | } |
+---------+-----+----------------------------------------------------+
*/
Selezionare campi specifici
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")
Usare nei filtri
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"))
Usare in 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
Usare nel caricatore automatico
Nota
Quando si scrive la _metadata colonna, la si rinomina in source_metadata. Scriverla come _metadata renderebbe impossibile accedere alla colonna dei metadati nella tabella di destinazione, perché se l'origine dati contiene una colonna denominata _metadata, le query restituiranno la colonna dall'origine dati e non i metadati del 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)