时间戳

首页 > 解决方案 > 是否可以在 pySpark 中修改输出数据文件名？

python - 是否可以在 pySpark 中修改输出数据文件名？

问题描述

简化案例。

鉴于我在目录中有 5 个输入文件data_directory：

data_2020-01-01.txt,
data_2020-01-02.txt,
data_2020-01-03.txt,
data_2020-01-04.txt,
data_2020-01-05.txt

我将它们全部阅读到 pySpark RDD 并对它们执行一些不做任何改组的操作。

spark = SparkSession.builder.appName("Clean Data").getOrCreate()
sparkContext = spark.sparkContext

input_rdd = sparkContext.textFile("data_directory/*")
result = input_rdd.mapPartitions(lambda x: remove_corrupted_rows(x))

现在我想保存数据：

result.saveAsTextFile(
    "results",
    compressionCodecClass="org.apache.hadoop.io.compress.GzipCodec",
)

我得到 5 个文件，每个文件都包含名称“part”。因此，我丢失了有关输出文件来自哪个输入文件的信息：

._SUCCESS.crc
.part-00000.gz.crc
.part-00001.gz.crc
.part-00002.gz.crc
.part-00003.gz.crc
.part-00004.gz.crc
_SUCCESS
part-00000.gz
part-00001.gz
part-00002.gz
part-00003.gz
part-00004.gz

在这种情况下，是否有保留输入文件名或引入我自己的命名模式？

预期的期望结果：

._SUCCESS.crc
.data_2020-01-01.gz.crc
.data_2020-01-02.gz.crc
.data_2020-01-03.gz.crc
.data_2020-01-04.gz.crc
.data_2020-01-05.crc
_SUCCESS
data_2020-01-01.gz
data_2020-01-02.gz
data_2020-01-03.gz
data_2020-01-04.gz
data_2020-01-05.gz

标签： pythonapache-sparkpyspark

解决方案

您可以使用pyspark.sql.functions.input_file_name()（此处的文档https://spark.apache.org/docs/latest/api/python/pyspark.sql.html?highlight=functions#pyspark.sql.functions.input_file_name）然后按列对数据框进行分区创建的。

这样，5 个输入文件应该为您提供一个具有 5 个不同值的分类列，并且对其进行分区应该将您的输出分成 5 个部分。

或者，如果您希望有一个完整的命名模式，然后在功能上拆分input_file_name()列上的数据框（这里分为 5 个数据框），重新分区（例如使用 1 到 1 coalesce(1)），然后使用自定义逻辑（例如 dict 映射或通过提取文件名）保存从列并解析DataFrameWriter.csv()为名称）。

注意：当更改为 1 个分区时，请确保数据适合您的内存！

推荐阅读