映像

图像数据源从图像表示形式的详细信息中提取内容，并提供一个标准 API 来加载图像数据。 若要读取图像文件，请将数据源 format 指定为 image。

df = spark.read.format("image").load("<path-to-image-data>")

Scala、Java 和 R 存在类似的 API。

你可以导入嵌套的目录结构（例如，使用 /path/to/dir/ 之类的路径），也可以通过指定具有分区目录的路径（即 /path/to/dir/date=2018-01-02/category=automobile 之类的路径）来使用分区发现。

图像结构

图像文件将以数据帧的形式加载，其中包含一个名为 image 的单结构类型列，该列中包含以下字段：

image: struct containing all the image data
  |-- origin: string representing the source URI
  |-- height: integer, image height in pixels
  |-- width: integer, image width in pixels
  |-- nChannels
  |-- mode
  |-- data

其中的字段包括：

• nChannels：颜色通道数。 对于灰度图像，典型值为 1；对于彩色图像（例如 RGB），典型值为 3；对于具有 alpha 通道的彩色图像，典型值为 4。

• mode：一个整数标志，指示如何解释数据字段。 它指定数据类型和存储数据的通道顺序。 该字段的值应该（此处不是指强制）映射到下表中显示的 OpenCV 类型之一。 为 1、2、3 或 4 个通道定义了 OpenCV 类型，而为像素值定义了几种数据类型。 通道顺序指定了颜色存储的顺序。 例如，如果你有一个具有红色、蓝色和绿色成分的典型三通道图像，则有六种可能的排序。 大多数库使用 RGB 或 BGR。 三（四）通道 OpenCV 类型应采用 BGR(A) 顺序。

  OpenCV 中从类型到数量的映射（数据类型 x 通道数）

  类型	C1	C2	C3	C4
  CV_8U	0	8	16	24
  CV_8S	1	9	17	25
  CV_16U	2	10	18	26
  CV_16S	3	11	19	27
  CV_32U	4	12	20	28
  CV_32S	5	13	21	29
  CV_64F	6	14	22	30

• data：以二进制格式存储的图像数据。 图像数据以三维数组的形式表示，其中包含维度形状（height、width、nChannels）和由模式字段指定的 t 类型数组值。 数组以行优先顺序存储。

显示图像数据

Databricks display 函数支持显示图像数据。 请参阅图像。

笔记本示例：在图像文件中读取和写入数据

以下笔记本演示如何在图像文件中读取和写入数据。

图像数据源笔记本

获取笔记本

图像数据源的限制

在以下场景中，图像数据源在 Spark 数据帧创建过程中对图像文件进行解码，增加数据大小，并引入限制：

1. 保存数据帧：若要将数据帧保存到 Delta 表中以方便访问，则应保存原始字节（而不是已解码的数据）以节省磁盘空间。
2. 随机选择分区：随机选择已解码的图像数据会占用较多的磁盘空间和网络带宽，这会导致随机选择的速度变慢。 应尽量延迟对图像的解码。
3. 选择其他解码方法：图像数据源使用 javax 的 Image IO 库对图像进行解码，这会阻止你选择其他图像解码库以提高性能或实现自定义解码逻辑。

使用二进制文件数据源加载图像数据并仅根据需要进行解码，可以避免这些限制。