apache-spark - Spark 加载数据并将文件名添加为数据框列

Question

我正在使用包装函数将一些数据加载到 Spark 中:

def load_data( filename ):
    df = sqlContext.read.format("com.databricks.spark.csv")\
        .option("delimiter", "\t")\
        .option("header", "false")\
        .option("mode", "DROPMALFORMED")\
        .load(filename)
    # add the filename base as hostname
    ( hostname, _ ) = os.path.splitext( os.path.basename(filename) )
    ( hostname, _ ) = os.path.splitext( hostname )
    df = df.withColumn('hostname', lit(hostname))
    return df

具体来说，我使用 glob 一次加载一堆文件:

df = load_data( '/scratch/*.txt.gz' )

这些文件是:

/scratch/host1.txt.gz
/scratch/host2.txt.gz
...

我希望“主机名”列实际上包含正在加载的文件的真实名称而不是全局名称(即 host1 、 host2 等，而不是 * )。

我怎样才能做到这一点？

Answer 1

您可以使用 input_file_name哪一个:

Creates a string column for the file name of the current Spark task.

from  pyspark.sql.functions import input_file_name

df.withColumn("filename", input_file_name())

在 Scala 中同样的事情:

import org.apache.spark.sql.functions.input_file_name

df.withColumn("filename", input_file_name)