PySpark 如何在查询结果中获取分区名称？

Posted 2023-04-15

【中文标题】PySpark 如何在查询结果中获取分区名称？

【英文标题】：PySpark how to get the partition name on query results?

【发布时间】：2020-04-01 08:45:08

【问题描述】：

我想检索查询结果中的分区名称。

所以如果我有这样的分区：

dataset/foo/
        ├─ key=value1
        ├─ key=value2
        └─ key=value3

我可以做这个查询

results = session.read.parquet('dataset/foo/key=value[12]') \
                      .select(['BAR']) \
                      .where('BAZ < 10')

一旦我这样做了，如何知道每个结果的分区来源？

确实，我只能从BAR 列中获取值。

感谢您的帮助

【参考方案1】：

在您的选择语句中包含key 列！

#read foo directory as it is partiitoned so we can filter on the key
results = session.read.parquet('foo/') \
                      .select(['BAR','key']) \
                      .filter((col("key") == "value1") & (col("BAZ") < '10')) 

---

如果您想将来源 filename 添加到所有记录，请使用 input_file_name()

from pyspark.sql.functions import *
results = session.read.parquet('foo/') \
                      .select(['BAR','key'])\
                      .withColumn("input_file", input_file_name()) \
                      .filter((col("key") == "value1") & (col("BAZ") < '10'))

【讨论】：

如果我包含 key 列，我得到一个错误：cannot resolve «key» given input columns: [BAR, BAZ]

@bioinfornatics，请查看已编辑的答案！

谢谢@shu。在这种情况下，spark 只读取必要的镶木地板文件或扫描给定根路径中的所有文件？

@bioinfornatics，spark 将只读取目录value[12] 文件，因为这是分区目录，如果未分区，则将读取所有文件！

我发现rlike表达式允许使用"value[12]"