SparkDatawithwithColumn添加分区ID

Question

我正在尝试编写一个辅助函数，该函数接受任何类型的数据集Dataset[_]，并返回一个新列“ partitionId”，这是单个数据单元所属分区的ID。

例如，如果我下面有一个数据集，默认情况下它有两个分区。

+-----+------+
| colA|  colB|
+-----+------+
|   1 |     a|
|   2 |     b|
|   3 |     c|
+-----+------+

函数之后，应该是下面的结果，其中前两个数据单元属于同一分区，第三个数据单元属于另一个分区。

+-----+------+------------+
| colA|  colB| partitionId|
+-----+------+------------+
|   1 |     a|           1|
|   2 |     b|           1|
|   3 |     c|           2|
+-----+------+------------+

我尝试了withColumn（）和mapPartitions（），但是它们都不适合我。 对于withColumn（），我无法获得数据单元所属分区的信息，例如withColumn("partitionId", {What should be here to add the partitionId?}) 对于mapPartitions（），我尝试过：

dataset
  .mapPartitions(iter => {
    val partitionId = UUID.randomUUID().toString
    iter.map(dataUnit => MyDataType.addPartitionId(partitionId))
  })

但这仅适用于Dataset[MyDataType]之类的特定类型，不适用于Dataset[_]

如何为任何数据集添加partitionId列？

Answer 1

您是否有理由需要每个记录的分区ID？无论哪种方式，您都可以通过以下方式实现：

import org.apache.spark.sql.functions.spark_partition_id
...
dataFrame.withColumn("partitionID", spark_partition_id)