Coluna de metadados de ficheiro
Pode obter informações de metadados para ficheiros de entrada com a _metadata coluna. A _metadata coluna é uma coluna oculta e está disponível para todos os formatos de ficheiro de entrada. Para incluir a _metadata coluna no DataFrame devolvido, tem de a referenciar explicitamente na consulta.
Se a origem de dados contiver uma coluna com o nome _metadata, as consultas devolvem a coluna da origem de dados e não os metadados do ficheiro.
Aviso
Poderão ser adicionados novos campos à _metadata coluna em versões futuras. Para evitar erros de evolução do esquema se a coluna for atualizada, o _metadata Databricks recomenda a seleção de campos específicos da coluna nas suas consultas. Veja exemplos.
Metadados suportados
A _metadata coluna contém STRUCT os seguintes campos:
| Nome | Tipo | Descrição | Exemplo | Versão mínima do Databricks Runtime |
|---|---|---|---|---|
| file_path | STRING |
Caminho do ficheiro de entrada. | file:/tmp/f0.csv |
10.5 |
| file_name | STRING |
Nome do ficheiro de entrada juntamente com a respetiva extensão. | f0.csv |
10.5 |
| file_size | LONG |
Comprimento do ficheiro de entrada, em bytes. | 628 | 10.5 |
| file_modification_time | TIMESTAMP |
Carimbo de data/hora da última modificação do ficheiro de entrada. | 2021-12-20 20:05:21 |
10.5 |
| file_block_start | LONG |
Comece a desfasar o bloco que está a ser lido, em bytes. | 0 | 13.0 |
| file_block_length | LONG |
Comprimento do bloco a ser lido, em bytes. | 628 | 13.0 |
Exemplos
Utilizar num leitor básico de origem de dados baseada em ficheiros
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" |
| | | } |
+---------+-----+----------------------------------------------------+
*/
Selecionar campos específicos
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")
Utilizar em filtros
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"))
Utilizar em COPIAR PARA
COPY INTO my_delta_table
FROM (
SELECT *, _metadata FROM 'abfss://my-container-name@storage-account-name.dfs.core.windows.net/csvData'
)
FILEFORMAT = CSV
Utilizar no Carregador Automático
Nota
Ao escrever a coluna, mudamos o _metadata nome para source_metadata. Escrevê-la como _metadata tornaria impossível aceder à coluna de metadados na tabela de destino, porque se a origem de dados contiver uma coluna com o nome _metadata, as consultas devolverão a coluna da origem de dados e não os metadados de ficheiro.
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)