使用 SparkSQL 读取多个 parquet 文件时将子文件夹作为列获取
Posted
技术标签:
【中文标题】使用 SparkSQL 读取多个 parquet 文件时将子文件夹作为列获取【英文标题】:Get the subfolder as a column while reading multiple parquet files with SparkSQL 【发布时间】:2020-07-09 13:38:32 【问题描述】:我想为使用 SparkSQL 从 parquet 文件加载的每个 DataFrame 添加一列,以将路径的子字符串添加到文件,然后使其成为单个 DataFrame。
例如,在加载 .../subfolder1/my_parquet_file1.parquet
和 .../subfolder2/my_parquet_file2.parquet
时,我希望有以下最终 DataFrame:
col1 | col2 | subfolder
------------------------
aaa | bbb | subfolder1
ccc | ddd | subfolder1
eee | fff | subfolder2
ggg | hhh | subfolder2
以下代码允许加载路径列表中的所有文件:
sqlContext.read.schema(schema).parquet(paths: _*)
但是通过直接使用最终的 DataFrame,我无法根据每行的来源添加子文件夹。
有没有办法在不按顺序加载每个文件的情况下做到这一点?
【问题讨论】:
【参考方案1】:试试这个 -
val df = spark.read
.parquet(
getClass.getResource("/parquet/day/day1/part-00000-4ece3595-e410-4301-aefd-431cd1debf91-c000.snappy.parquet")
.getPath,
getClass.getResource("/parquet/day/day2/part-00000-4ece3595-e410-4301-aefd-431cd1debf91-c000.snappy.parquet")
.getPath
)
df.show(false)
df.printSchema()
/**
* +------+
* |price |
* +------+
* |123.15|
* |123.15|
* +------+
*
* root
* |-- price: decimal(5,2) (nullable = true)
*/
df.withColumn("subfolder", element_at(split(input_file_name(), "/"), -2))
.show(false)
/**
* +------+---------+
* |price |subfolder|
* +------+---------+
* |123.15|day1 |
* |123.15|day2 |
* +------+---------+
*/
【讨论】:
以上是关于使用 SparkSQL 读取多个 parquet 文件时将子文件夹作为列获取的主要内容,如果未能解决你的问题,请参考以下文章