apache-spark - 如何在 pyspark 数据帧读取方法中包含分区列

Question

我正在从 parquet 文件编写基于文件的 Avro。我已阅读如下文件:

读取数据

dfParquet = spark.read.format("parquet").option("mode", "FAILFAST")
    .load("/Users/rashmik/flight-time.parquet")

写入数据

我已经用 Avro 格式编写了如下文件:

dfParquetRePartitioned.write \
    .format("avro") \
    .mode("overwrite") \
    .option("path", "datasink/avro") \
    .partitionBy("OP_CARRIER") \
    .option("maxRecordsPerFile", 100000) \
    .save()

正如预期的那样，我得到了按 OP_CARRIER 分区的数据。

从特定分区读取 Avro 分区数据

在另一项工作中，我需要从上述工作的输出中读取数据，即从 datasink/avro 目录中读取数据。我正在使用下面的代码从 datasink/avro

读取

dfAvro = spark.read.format("avro") \
    .option("mode","FAILFAST") \
    .load("datasink/avro/OP_CARRIER=AA")

它成功读取数据，但正如预期的那样，OP_CARRIER 列在 dfAvro 数据帧中不可用，因为它是第一个作业的分区列。现在我的要求是在第二个数据帧中也包括 OP_CARRIER 字段，即在 dfAvro 中。有人可以帮我解决这个问题吗？

我指的是来自 spark document 的文档, 但我无法找到相关信息。任何指针都会非常有帮助。

Answer 1

您使用不同的别名复制相同的列值。

dfParquetRePartitioned.withColumn("OP_CARRIER_1", lit(df.OP_CARRIER)) \
.write \
.format("avro") \
.mode("overwrite") \
.option("path", "datasink/avro") \
.partitionBy("OP_CARRIER") \
.option("maxRecordsPerFile", 100000) \
.save()

这会给你你想要的。但别名不同。 或者你也可以在阅读时做。如果位置是动态的，那么您可以轻松地追加该列。

path = "datasink/avro/OP_CARRIER=AA"
newcol = path.split("/")[-1].split("=") 
dfAvro = spark.read.format("avro") \
.option("mode","FAILFAST") \
.load(path).withColumn(newcol[0], lit(newcol[1]))

如果该值是静态的，则在读取数据期间更容易添加它。