考虑以下测试目录foo
and bar
包含以下文件:
cat /tmp/foo/0.csv
4
cat /tmp/foo/1.csv
3
cat /tmp/bar/0.csv
7
我们可以使用以下代码片段来读取它们:
val df = spark.read.csv("/tmp/foo", "/tmp/bar")
.withColumn("dir", regexp_extract(input_file_name(), """([^/]*)/[^/]+\.csv$""", 1))
df.show()
/*
+---+---+
|_c0|dir|
+---+---+
|4 |foo|
|3 |foo|
|7 |bar|
+---+---+
*/
功能input_file_name
给出文件的绝对路径,因此我们可以使用它来获取目录。功能regexp_extract
仅用于转换,例如/tmp/foo/1.csv -> foo
.
Spark 写入文件时,每个分区输出一个文件。因此,我们需要按列重新分区dir
合并每个目录下的所有文件。最后,我们可以使用partitionBy
也将目录名称获取到输出文件结构。例如
df.repartition($"dir")
.write
.partitionBy("dir")
.csv("/tmp/out")
会产生文件
/tmp/out/._SUCCESS.crc
/tmp/out/dir=bar/.part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc
/tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/_SUCCESS
/tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/dir=foo/.part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc
where /tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
包含
7
and /tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
包含
4
3
AFAIK 如果没有例如,不可能将这些输出文件写入与原始输入相同的目录结构。拥有定制的 HadoopFileSystem
类等