Kolom met bestandsmetagegevens

  • Artikel

U kunt metagegevensgegevens voor invoerbestanden ophalen met de _metadata kolom. De _metadata kolom is een verborgen kolom en is beschikbaar voor alle invoerbestandsindelingen. Als u de _metadata kolom wilt opnemen in het geretourneerde DataFrame, moet u er expliciet naar verwijzen in uw query.

Als de gegevensbron een kolom met de naam _metadatabevat, retourneren query's de kolom uit de gegevensbron en niet de metagegevens van het bestand.

Waarschuwing

Nieuwe velden kunnen in toekomstige releases aan de _metadata kolom worden toegevoegd. Databricks raadt u aan specifieke velden te selecteren uit de kolom in uw query's om fouten in de schemaontwikkeling te voorkomen als de _metadata kolom wordt bijgewerkt. Zie voorbeelden.

Ondersteunde metagegevens

De _metadata kolom is een STRUCT met de volgende velden:

Naam Type Beschrijving Voorbeeld Minimale release van Databricks Runtime
file_path STRING Bestandspad van het invoerbestand. file:/tmp/f0.csv 10.5
Bestandsnaam STRING Naam van het invoerbestand, samen met de extensie. f0.csv 10.5
file_size LONG Lengte van het invoerbestand, in bytes. 628 10.5
file_modification_time TIMESTAMP Tijdstempel van laatste wijziging van het invoerbestand. 2021-12-20 20:05:21 10.5
file_block_start LONG Begin offset van het blok dat wordt gelezen, in bytes. 0 13.0
file_block_length LONG Lengte van het blok dat wordt gelezen, in bytes. 628 13.0

Voorbeelden

Gebruiken in een eenvoudige, op bestanden gebaseerde gegevensbronlezer

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

Specifieke velden selecteren

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")

Gebruiken in filters

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"))

Gebruiken 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

Gebruiken in automatisch laadprogramma

Opmerking

Wanneer u de kolom schrijft, wijzigen we deze _metadata in source_metadata. Als u deze schrijft als _metadata , is het onmogelijk om toegang te krijgen tot de kolom met metagegevens in de doeltabel, omdat als de gegevensbron een kolom met de naam _metadatabevat, query's de kolom uit de gegevensbron retourneren en niet de metagegevens van het bestand.

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)