我正在从Parquet文件中编写基于Avro的文件。以下是我读取文件的代码:
作为预期结果,我的数据已按
它成功读取数据,但是如预期,在dfAvro数据帧中没有可用的OP_CARRIER列,因为它是第一个作业的分区列。现在我的要求是在第二个数据帧即dfAvro中也包括OP_CARRIER字段。有人可以帮我吗? 我正在参考Spark文档的文档,但我无法找到相关信息。任何指针都将非常有帮助。
读取数据
dfParquet = spark.read.format("parquet").option("mode", "FAILFAST")
.load("/Users/rashmik/flight-time.parquet")
写入数据
我已经按照以下方式以Avro格式编写了文件:
dfParquetRePartitioned.write \
.format("avro") \
.mode("overwrite") \
.option("path", "datasink/avro") \
.partitionBy("OP_CARRIER") \
.option("maxRecordsPerFile", 100000) \
.save()
作为预期结果,我的数据已按
OP_CARRIER
分区。
从特定分区读取Avro分区数据
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。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,但是如预期,在dfAvro数据帧中没有可用的OP_CARRIER列,因为它是第一个作业的分区列。现在我的要求是在第二个数据帧即dfAvro中也包括OP_CARRIER字段。有人可以帮我吗? 我正在参考Spark文档的文档,但我无法找到相关信息。任何指针都将非常有帮助。
.load("datasink/avro")
- Lamanus