Spark-如何从数据框列获取带有父文件夹的文件名

Question

我正在使用pyspark作为代码语言。我添加了列以获取带有路径的文件名。

from pyspark.sql.functions import input_file_name
data = data.withColumn("sourcefile",input_file_name())

我只想从此列中检索带有其父文件夹的文件名。请帮忙。

例：

Inputfilename = "adl://dotdot.com/ingest/marketing/abc.json"

我正在寻找的输出是：

marketing/abc.json

注意：我可以做字符串操作。filepath列是数据框的一部分。

Answer 1

如果要将值保留在数据框列中，则可以使用pyspark.sql.function regexp_extract。您可以将其应用于具有path值的列，并传递提取所需部分所需的正则表达式：

data = data.withColumn("sourcefile",input_file_name())

regex_str = "[\/]([^\/]+[\/][^\/]+)$"
data = data.withColumn("sourcefile", regexp_extract("sourcefile",regex_str,1))