Dela via

Filmetadatakolumn

  • Artikel

Du kan hämta metadatainformation för indatafiler med _metadata kolumnen . Kolumnen _metadata är en dold kolumn och är tillgänglig för alla indatafilformat. Om du vill inkludera _metadata kolumnen i den returnerade DataFrame måste du uttryckligen referera till den i din fråga.

Om datakällan innehåller en kolumn med namnet _metadatareturnerar frågor kolumnen från datakällan och inte filmetadata.

Varning

Nya fält kan läggas till i _metadata kolumnen i framtida versioner. För att förhindra schemautvecklingsfel om _metadata kolumnen uppdateras rekommenderar Databricks att du väljer specifika fält från kolumnen i dina frågor. Se exempel.

Metadata som stöds

Kolumnen _metadata innehåller STRUCT följande fält:

Namn Type Beskrivning Exempel Minsta Databricks Runtime-version
file_path STRING Filsökvägen för indatafilen. file:/tmp/f0.csv 10.5
file_name STRING Namnet på indatafilen tillsammans med dess tillägg. f0.csv 10.5
file_size LONG Längden på indatafilen i byte. 628 10.5
file_modification_time TIMESTAMP Tidsstämpel för senaste ändring för indatafilen. 2021-12-20 20:05:21 10.5
file_block_start LONG Startförskjutning av blocket som läse, i byte. 0 13,0
file_block_length LONG Längden på blocket som läse, i byte. 628 13,0

Exempel

Använda i en grundläggande filbaserad datakällaläsare

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

Välj specifika fält

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")

Använda i filter

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"))

Använd i 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

Använda i automatisk inläsning

Kommentar

När du _metadata skriver kolumnen byter vi namn på den till source_metadata. Att skriva det som _metadata skulle göra det omöjligt att komma åt metadatakolumnen i måltabellen, för om datakällan innehåller en kolumn med namnet _metadatareturnerar frågor kolumnen från datakällan och inte filmetadata.

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)