Spark加载数据并将文件名添加为dataframe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来一次加载一堆文件：

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

文件是：

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

我希望列'hostname'实际上包含正在加载的文件的真实名称而不是glob（即host1，host2等，而不是*）。

我怎样才能做到这一点？

Answer 1

你可以使用input_file_name：

为当前Spark任务的文件名创建字符串列。

from  pyspark.sql.functions import input_file_name

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