azure - Spark - 如何从数据框列获取带有父文件夹的文件名

Question

我使用 pyspark 作为代码语言。我添加了列以获取带有路径的文件名。

from pyspark.sql.functions import input_file_name
data = data.withColumn("sourcefile",input_file_name())

我只想从此列中检索带有父文件夹的文件名。请帮忙。

例子：

Inputfilename = "adl://dotdot.com/ingest/marketing/abc.json"

我正在寻找的输出是：

marketing/abc.json

注意：字符串操作我可以做。文件路径列是数据框的一部分。

Answer 1

如果要将值保留在数据框列中，可以使用 pyspark.sql.function regexp_extract。您可以将其应用于具有 path 值的列并传递提取所需部分所需的正则表达式：

data = data.withColumn("sourcefile",input_file_name())

regex_str = "[\/]([^\/]+[\/][^\/]+)$"
data = data.withColumn("sourcefile", regexp_extract("sourcefile",regex_str,1))

Answer 2

我认为您正在寻找的是：

sc.wholeTextFiles('path/to/files').map(
    lambda x : ( '/'.join(x[0].split('/')[-2:]), x[1])
)

这将创建一个包含 2 列的 rdd，第一个是path to file，第二个是文件的内容。这是在 spark 中链接路径和内容的唯一方法。例如，Hive 中存在其他方法。