UDF仅从Spark SQL中的路径中提取文件名

Question

apache spark中有input_file_name函数，我用我将新列添加到数据集中，并带有当前正在处理的文件名。

问题是，我想以某种方式自定义此功能以返回文件名，并在S3上使用完整的路径。

目前，我正在使用MAP函数在第二步上更换路径：

val initialDs = spark.sqlContext.read
.option("dateFormat", conf.dateFormat)
.schema(conf.schema)
.csv(conf.path).withColumn("input_file_name", input_file_name)
...
...
def fromFile(fileName: String): String = {
  val baseName: String = FilenameUtils.getBaseName(fileName)
  val tmpFileName: String = baseName.substring(0, baseName.length - 8) //here is magic conversion ;)
  this.valueOf(tmpFileName)
}

但是我想使用

之类的东西

val initialDs = spark.sqlContext.read
    .option("dateFormat", conf.dateFormat)
    .schema(conf.schema)
    .csv(conf.path).withColumn("input_file_name", **customized_input_file_name_function**)

Answer 1

在scala：

#register udf
spark.udf
  .register("get_only_file_name", (fullPath: String) => fullPath.split("/").last)
#use the udf to get last token(filename) in full path
val initialDs = spark.read
  .option("dateFormat", conf.dateFormat)
  .schema(conf.schema)
  .csv(conf.path)
  .withColumn("input_file_name", get_only_file_name(input_file_name))

编辑：在Java中根据注释

#register udf
spark.udf()
  .register("get_only_file_name", (String fullPath) -> {
     int lastIndex = fullPath.lastIndexOf("/");
     return fullPath.substring(lastIndex, fullPath.length - 1);
    }, DataTypes.StringType);
import org.apache.spark.sql.functions.input_file_name    
#use the udf to get last token(filename) in full path
Dataset<Row> initialDs = spark.read()
  .option("dateFormat", conf.dateFormat)
  .schema(conf.schema)
  .csv(conf.path)
  .withColumn("input_file_name", get_only_file_name(input_file_name()));

Answer 2

从相关问题借用，以下方法更便宜，不需要自定义UDF。

SPARK SQL代码段： reverse(split(path, '/'))[0]

SPARK SQL样本：

WITH sample_data as (
SELECT 'path/to/my/filename.txt' AS full_path
)
SELECT
      full_path
    , reverse(split(full_path, '/'))[0] as basename
FROM sample_data

说明：split()功能将路径打破到其块中，reverse()将最终项目（文件名）放在数组的前面，以便[0]可以仅提取文件名。

完整的代码示例此处：

  spark.sql(
    """
      |WITH sample_data as (
      |    SELECT 'path/to/my/filename.txt' AS full_path
      |  )
      |  SELECT
      |  full_path
      |  , reverse(split(full_path, '/'))[0] as basename
      |  FROM sample_data
      |""".stripMargin).show(false)

结果：

+-----------------------+------------+
|full_path              |basename    |
+-----------------------+------------+
|path/to/my/filename.txt|filename.txt|
+-----------------------+------------+

Answer 3

commons io 是自然/最简单的导入（无需添加额外的依赖关系...）

import org.apache.commons.io.FilenameUtils

getBaseName(String fileName)

从一个完整的文件名中获取基本名称，减去完整的路径和扩展。

val baseNameOfFile = udf((longFilePath: String) => FilenameUtils.getBaseName(longFilePath))

用法就像...

yourdataframe.withColumn("shortpath" ,baseNameOfFile(yourdataframe("input_file_name")))
.show(1000,false)