我正在根据镶木地板文件编写Avro文件。我已经阅读了如下文件:
正在读取数据
dfParquet = spark.read.format("parquet").option("mode", "FAILFAST")
.load("/Users/rashmik/flight-time.parquet")
正在写入数据
我已经写了Avro格式的文件如下:
dfParquetRePartitioned.write
.format("avro")
.mode("overwrite")
.option("path", "datasink/avro")
.partitionBy("OP_CARRIER")
.option("maxRecordsPerFile", 100000)
.save()
不出所料,我得到了由OP_CARRIER
分区的数据。
从特定分区读取Avro分区的数据
在另一个作业中,我需要从上述作业的输出中读取数据,即从datasink/avro
目录中读取数据。我正在使用以下代码从datasink/avro
中读取
dfAvro = spark.read.format("avro")
.option("mode","FAILFAST")
.load("datasink/avro/OP_CARRIER=AA")
它成功读取数据,但正如预期的那样,OP_CARRIER
列在dfAvro
数据帧中不可用,因为它是第一个作业的分区列。现在我的要求是将OP_CARRIER
字段也包括在第二个数据帧中,即dfAvro
中。有人能帮我吗?
我引用的是spark文档中的文档,但我找不到相关信息。任何指针都将非常有用。
使用不同的别名复制相同的列值。
dfParquetRePartitioned.withColumn("OP_CARRIER_1", lit(df.OP_CARRIER))
.write
.format("avro")
.mode("overwrite")
.option("path", "datasink/avro")
.partitionBy("OP_CARRIER")
.option("maxRecordsPerFile", 100000)
.save()
这会给你想要的。但用了一个不同的别名。或者你也可以在阅读时这样做。如果位置是动态的,那么您可以很容易地附加列。
path = "datasink/avro/OP_CARRIER=AA"
newcol = path.split("/")[-1].split("=")
dfAvro = spark.read.format("avro")
.option("mode","FAILFAST")
.load(path).withColumn(newcol[0], lit(newcol[1]))
如果值是静态的,那么在数据读取过程中添加它会更容易。