我用一个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“hostname”列实际包含要加载的文件的真实名称,而不是glob(即host1
、host2
等,而不是*
)。
我该怎么做?
您可以使用以下input_file_name
:
为当前 Spark 任务的文件名创建一个字符串列。
from pyspark.sql.functions import input_file_name
df.withColumn("filename", input_file_name())
Scala中的同样的事情:
import org.apache.spark.sql.functions.input_file_name
df.withColumn("filename", input_file_name)