Bestandsmetagegevens column
U kunt metagegevens get voor invoerbestanden met de _metadatacolumn. De _metadatacolumn is een verborgen columnen beschikbaar voor alle invoerbestandsindelingen. Als u de _metadatacolumn wilt opnemen in het geretourneerde DataFrame, moet u er expliciet naar verwijzen in uw query.
Als de gegevensbron een column met de naam _metadatabevat, retourneren query's de column uit de gegevensbron en niet de metagegevens van het bestand.
Waarschuwing
Nieuwe velden kunnen in toekomstige releases aan de _metadatacolumn worden toegevoegd. Om schema evolutiefouten te voorkomen als de _metadatacolumn wordt bijgewerkt, raadt Databricks aan specifieke velden uit de column in uw queries te selecteren. Zie voorbeelden.
Ondersteunde metagegevens
De _metadatacolumn is een STRUCT met de volgende velden:
| Name | Type | Description | Voorbeeld | Minimale release van Databricks Runtime |
|---|---|---|---|---|
| file_path | STRING |
Bestandspad van het invoerbestand. | file:/tmp/f0.csv |
10.5 |
| file_name | STRING |
De naam van het invoerbestand en de extensie. | f0.csv |
10.5 |
| file_size | LONG |
De lengte van het invoerbestand, in bytes. | 628 | 10.5 |
| file_modification_time | TIMESTAMP |
Laatste wijzigingstijdstempel 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 |
De lengte van het blok dat wordt gelezen, in bytes. | 628 | 13,0 |
Voorbeelden
Gebruiken in een eenvoudige gegevensbronlezer op basis van bestanden
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" |
| | | } |
+---------+-----+----------------------------------------------------+
*/
Select specifieke velden
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"))
Gebruik 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
Notitie
Bij het schrijven van de _metadatacolumnwijzigen we deze in source_metadata. Schrijven als _metadata zou het onmogelijk maken om toegang te krijgen tot de metagegevens column in de doel-table, omdat als de gegevensbron een column met de naam _metadatabevat, query's de column 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 \
.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
.option("checkpointLocation", checkpointLocation)
.start(targetTable)