ファイル メタデータ列

_metadata 列を使用して、入力ファイルのメタデータ情報を取得できます。_metadata 列は 非表示 の列であり、すべての入力ファイル形式で使用できます。返される DataFrame に _metadata 列を含めるには、クエリーで明示的に参照する必要があります。

データソースに _metadataという名前の列が含まれている場合、クエリーはファイルのメタデータではなく、データソースから列を返します。

警告

将来のリリースで、新しいフィールドが [ _metadata ] 列に追加される可能性があります。 _metadata 列が更新された場合にスキーマ進化エラーが発生しないように、Databricks では、クエリーの列から特定のフィールドを選択することをお勧めします。を参照してください。

サポートされているメタデータ

_metadata 列は、次のフィールドを含む STRUCT です。

名前

タイプ

説明

最小 Databricks Runtime リリース

file_path

STRING

入力ファイルのファイル パス。

file:/tmp/f0.csv

10.5

file_name

STRING

入力ファイルの名前とその拡張子。

f0.csv

10.5

file_size

LONG

入力ファイルの長さ (バイト単位)。

628

10.5

file_modification_time

TIMESTAMP

入力ファイルの最終変更タイムスタンプ。

2021-12-20 20:05:21

10.5

file_block_start

LONG

読み取られるブロックの開始オフセット (バイト単位)。

0

13.0

file_block_length

LONG

読み取られるブロックの長さ (バイト単位)。

628

13.0

基本的なファイルベースのデータソースリーダーでの使用

df = spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("*", "_metadata")

display(df)

'''
Result:
+---------+-----+----------------------------------------------------+
|   name  | age |                 _metadata                          |
+=========+=====+====================================================+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f0.csv",                |
| Debbie  | 18  |    "file_name": "f0.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-07-02 01:05:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f1.csv",                |
| Frank   | 24  |    "file_name": "f1.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-12-20 02:06:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
'''
val df = spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("*", "_metadata")

display(df_population)

/* Result:
+---------+-----+----------------------------------------------------+
|   name  | age |                 _metadata                          |
+=========+=====+====================================================+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f0.csv",                |
| Debbie  | 18  |    "file_name": "f0.csv",                          |
|         |     |    "file_size": 12,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-07-02 01:05:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
|         |     | {                                                  |
|         |     |    "file_path": "dbfs:/tmp/f1.csv",                |
| Frank   | 24  |    "file_name": "f1.csv",                          |
|         |     |    "file_size": 10,                                |
|         |     |    "file_block_start": 0,                          |
|         |     |    "file_block_length": 12,                        |
|         |     |    "file_modification_time": "2021-12-20 02:06:21" |
|         |     | }                                                  |
+---------+-----+----------------------------------------------------+
*/

特定のフィールドを選択する

spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("_metadata.file_name", "_metadata.file_size")
spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("_metadata.file_name", "_metadata.file_size")

フィルターでの使用

spark.read \
  .format("csv") \
  .schema(schema) \
  .load("dbfs:/tmp/*") \
  .select("*") \
  .filter(col("_metadata.file_name") == lit("test.csv"))
spark.read
  .format("csv")
  .schema(schema)
  .load("dbfs:/tmp/*")
  .select("*")
  .filter(col("_metadata.file_name") === lit("test.csv"))

COPY INTOで使用

COPY INTO my_delta_table
FROM (
  SELECT *, _metadata FROM 'gs://my-bucket/csvData'
)
FILEFORMAT = CSV

Auto Loaderでの使用

_metadata 列を書き込むときは、名前を次のように変更します source_metadata_metadata として記述すると、データソースに _metadataという名前の列が含まれている場合、クエリーはファイルのメタデータではなく、データソースから列を返すため、ターゲット テーブルのメタデータ列にアクセスできなくなります。

spark.readStream \
  .format("cloudFiles") \
  .option("cloudFiles.format", "csv") \
  .schema(schema) \
  .load("gs://my-bucket/csvData") \
  .selectExpr("*", "_metadata as source_metadata") \
  .writeStream \
  .option("checkpointLocation", checkpointLocation) \
  .start(targetTable)
spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "csv")
  .schema(schema)
  .load("gs://my-bucket/csvData")
  .selectExpr("*", "_metadata as source_metadata")
  .writeStream
  .option("checkpointLocation", checkpointLocation)
  .start(targetTable)