Pyspark 从 csv 文件中读取 delta/upsert 数据集

Question

我有一个定期更新的数据集，我收到的一系列 CSV 文件给出了更改。我想要一个只包含每行最新版本的数据框。有没有办法在 Spark/pyspark 中加载整个数据集以实现并行性？

例子：

• 文件 1（键、值） 1,ABC 2,DEF 3,GHI
• 文件 2（键、值） 2,XYZ 4,UVW
• 文件 3（键、值） 3,JKL 4,MNO

应该导致： 1,ABC 2,XYZ 3,JKL 4,MNO

我知道我可以通过顺序加载每个文件然后使用反连接（踢出被替换的旧值）和联合来做到这一点，但这不会让工作负载并行。

Answer 1

放大@pandaromeo 的回答，这似乎有效...

from pyspark.sql import Window
from pyspark.sql.functions import row_number, desc, input_file_name


# load files, marking each with input file name
df = spark.read.csv(files).withColumn("_ifn", input_file_name())

# use a window function to order the rows for each ID by file name (most recent first)
w = Window.partitionBy(primaryKey).orderBy(desc('_ifn'))
df = df.withColumn("_rn", row_number().over(w))

# grab only the rows that were first (most recent) in each window
# clean up working columns
df = df.where(df._rn == 1).drop("_rn").drop("_ifn")

Answer 2

你可以

from pyspark.sql.functions import * 
alls = spark.read.csv("files/*").withColumn('filename', input_file_name())

这将加载目录中的所有文件并允许您对具有文件名的列进行操作。

我假设文件名具有某种时间戳或键，您可以使用 window 和 row_number 函数对其进行区分和排序。