问题描述
我在 S3 中有一些看起来像这样的文件(都在同一路径中):
group1_20210415.csv
group2_20210415.csv
group1_20210416.csv
group2_20210416.csv
每个文件的架构相当简单:
group1_name,group1_id
group2_name,group2_id
我希望能够使用 Athena 从 S3 查询这些名称和 ID,并在存在新文件时使用 AWS glue 抓取该 S3 位置。
具体来说,我想在 Athena 中有一个带有架构的表:
group1_name,group1_id,group2_name,group2_id,hit_date
我的直觉是使用 AWS glue PySpark 将 S3 文件中的数据组合成单个 DataFrame,这很简单。但是,每个文件的日期存在于文件名本身中,而不存在于数据中。
有没有办法提取文件名的“日期”部分并将其用作 AWS glue PySpark DataFrame 中的列?如果没有,是否有人的直觉建议了另一种方法?
解决方法
你可以试试这个:data_frame.withColumn("input_file",input_file_name())
然后,您可以转换此列以提取日期。