Coluna de metadados do ficheiro

  • Artigo

Você pode obter informações de metadados para arquivos de entrada com a _metadata coluna. A _metadata coluna é uma coluna oculta e está disponível para todos os formatos de arquivo de entrada. Para incluir a _metadata coluna no DataFrame retornado, você deve explicitamente fazer referência a ela em sua consulta.

Se a fonte de dados contiver uma coluna chamada _metadata, as consultas retornarão a coluna da fonte de dados e não os metadados do arquivo.

Aviso

Novos campos podem ser adicionados à _metadata coluna em versões futuras. Para evitar erros de evolução do esquema se a coluna for atualizada, o _metadata Databricks recomenda selecionar campos específicos da coluna em suas consultas. Ver exemplos.

Metadados suportados

A _metadata coluna contém os STRUCT seguintes campos:

Nome Tipo Description Exemplo Versão mínima do Databricks Runtime
file_path STRING Caminho do arquivo de entrada. file:/tmp/f0.csv 10.5
file_name STRING Nome do arquivo de entrada junto com sua extensão. f0.csv 10.5
file_size LONG Comprimento do arquivo de entrada, em bytes. 628 10.5
file_modification_time TIMESTAMP Carimbo de data/hora da última modificação do arquivo de entrada. 2021-12-20 20:05:21 10.5
file_block_start LONG Inicie o deslocamento do bloco que está sendo lido, em bytes. 0 13.0
file_block_length LONG Comprimento do bloco a ser lido, em bytes. 628 13.0

Exemplos

Uso em um leitor de fonte de dados básico baseado em arquivo

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

Selecionar campos específicos

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")

Utilização em filtros

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"))

Utilização em 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

Uso no Auto Loader

Nota

Ao escrever a _metadata coluna, renomeamos para source_metadata. Escrevê-lo como _metadata tornaria impossível acessar a coluna de metadados na tabela de destino, porque se a fonte de dados contiver uma coluna chamada _metadata, as consultas retornarão a coluna da fonte de dados, e não os metadados do arquivo.

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)