Spark数据集withColumn添加分区ID [重复]

Question

我正在尝试编写一个辅助函数，它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的分区的 ID。

例如，如果我在下面有一个数据集，并且默认情况下它有两个分区。

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

函数后应该是下面的结果，前两个数据单元属于同一个分区，第三个属于另一个分区。

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

我尝试使用 withColumn() 和 mapPartitions()，但它们都不适合我。 对于withColumn()，我无法获取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))
  })

但这仅适用于特定类型，如Dataset[MyDataType]，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条记录的分区 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)