Spark - 将 CSV 文件加载为 DataFrame？

Question

我想在 spark 中读取 CSV 并将其转换为 DataFrame 并使用df.registerTempTable("table_name")将其存储在 HDFS 中

我试过了：

scala> val df = sqlContext.load("hdfs:///csv/file/dir/file.csv")

我得到的错误：

java.lang.RuntimeException: hdfs:///csv/file/dir/file.csv is not a Parquet file. expected magic number at tail [80, 65, 82, 49] but found [49, 59, 54, 10]
    at parquet.hadoop.ParquetFileReader.readFooter(ParquetFileReader.java:418)
    at org.apache.spark.sql.parquet.ParquetRelation2$MetadataCache$$anonfun$refresh$6.apply(newParquet.scala:277)
    at org.apache.spark.sql.parquet.ParquetRelation2$MetadataCache$$anonfun$refresh$6.apply(newParquet.scala:276)
    at scala.collection.parallel.mutable.ParArray$Map.leaf(ParArray.scala:658)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply$mcV$sp(Tasks.scala:54)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply(Tasks.scala:53)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply(Tasks.scala:53)
    at scala.collection.parallel.Task$class.tryLeaf(Tasks.scala:56)
    at scala.collection.parallel.mutable.ParArray$Map.tryLeaf(ParArray.scala:650)
    at scala.collection.parallel.AdaptiveWorkStealingTasks$WrappedTask$class.compute(Tasks.scala:165)
    at scala.collection.parallel.AdaptiveWorkStealingForkJoinTasks$WrappedTask.compute(Tasks.scala:514)
    at scala.concurrent.forkjoin.RecursiveAction.exec(RecursiveAction.java:160)
    at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)
    at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)
    at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)
    at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)

在 Apache Spark 中将 CSV 文件加载为 DataFrame 的正确命令是什么？

Answer 1

spark-csv 是核心 Spark 功能的一部分，不需要单独的库。 所以你可以做例如

df = spark.read.format("csv").option("header", "true").load("csvfile.csv")

在 Scala 中，（这适用于任何格式的分隔符提及“，”对于 csv，“\\t”对于 tsv 等）

val df = sqlContext.read.format("com.databricks.spark.csv") .option("delimiter", ",") .load("csvfile.csv")

Answer 2

使用 Spark 2.x 解析 CSV 并加载为 DataFrame/DataSet

首先，默认初始化SparkSession对象，它将在 shell 中作为spark可用

val spark = org.apache.spark.sql.SparkSession.builder
        .master("local") # Change it as per your cluster
        .appName("Spark CSV Reader")
        .getOrCreate;

使用以下任一方式将CSV加载为DataFrame/DataSet

1. 以程序化的方式进行

 val df = spark.read
         .format("csv")
         .option("header", "true") //first line in file has headers
         .option("mode", "DROPMALFORMED")
         .load("hdfs:///csv/file/dir/file.csv")

更新：从这里添加所有选项，以防将来链接断开

• 路径：文件的位置。 类似于 Spark 可以接受标准的 Hadoop globbing 表达式。
• header : 当设置为 true 时，文件的第一行将用于命名列并且不会包含在数据中。 所有类型都将假定为字符串。 默认值为假。
• delimiter : 默认情况下使用分隔列，但分隔符可以设置为任何字符
• quote : 默认情况下，引号字符是 "，但可以设置为任何字符。引号内的分隔符将被忽略
• 转义：默认情况下，转义字符是 ，但可以设置为任何字符。 忽略转义的引号字符
• parserLib ：默认情况下，可以将“ commons ”设置为“ univocity ”以使用该库进行CSV解析。
• mode ：确定解析模式。 默认情况下它是允许的。 可能的值为：
  • PERMISSIVE ：尝试解析所有行：为丢失的标记插入空值，并忽略额外的标记。
  • DROPMALFORMED ：删除令牌比预期少或多的行或与模式不匹配的令牌
  • FAILFAST ：如果遇到任何格式错误的行字符集，则以 RuntimeException 中止：默认为“UTF-8”，但可以设置为其他有效的字符集名称
• inferSchema ：自动推断列类型。 它需要对数据进行一次额外的传递，并且默认情况下为 false 注释：跳过以此字符开头的行。 默认值为“#”。 通过将其设置为 null 来禁用评论。
• nullValue : 指定一个表示空值的字符串，任何匹配该字符串的字段都将在 DataFrame 中设置为空值
• dateFormat ：指定一个字符串，指示读取日期或时间戳时要使用的日期格式。 自定义日期格式遵循 java.text.SimpleDateFormat 中的格式。 这适用于 DateType 和 TimestampType。 默认情况下，它是空的，这意味着尝试通过 java.sql.Timestamp.valueOf() 和 java.sql.Date.valueOf() 解析时间和日期。

2.你也可以用这种SQL方式

 val df = spark.sql("SELECT * FROM csv.`hdfs:///csv/file/dir/file.csv`")

依赖项：

 "org.apache.spark" % "spark-core_2.11" % 2.0.0,
 "org.apache.spark" % "spark-sql_2.11" % 2.0.0,

---

Spark 版本 < 2.0

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true") 
    .option("mode", "DROPMALFORMED")
    .load("csv/file/path"); 

依赖项：

"org.apache.spark" % "spark-sql_2.10" % 1.6.0,
"com.databricks" % "spark-csv_2.10" % 1.6.0,
"com.univocity" % "univocity-parsers" % LATEST,

Answer 3

它的 Hadoop 是 2.6，Spark 是 1.6，并且没有“databricks”包。

import org.apache.spark.sql.types.{StructType,StructField,StringType,IntegerType};
import org.apache.spark.sql.Row;

val csv = sc.textFile("/path/to/file.csv")
val rows = csv.map(line => line.split(",").map(_.trim))
val header = rows.first
val data = rows.filter(_(0) != header(0))
val rdd = data.map(row => Row(row(0),row(1).toInt))

val schema = new StructType()
    .add(StructField("id", StringType, true))
    .add(StructField("val", IntegerType, true))

val df = sqlContext.createDataFrame(rdd, schema)

Answer 4

使用 Spark 2.0，以下是读取 CSV 的方法

val conf = new SparkConf().setMaster("local[2]").setAppName("my app")
val sc = new SparkContext(conf)
val sparkSession = SparkSession.builder
  .config(conf = conf)
  .appName("spark session example")
  .getOrCreate()

val path = "/Users/xxx/Downloads/usermsg.csv"
val base_df = sparkSession.read.option("header","true").
  csv(path)

Answer 5

在 Java 1.8 中，此代码片段非常适合读取 CSV 文件

POM文件

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>2.0.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql_2.10 -->
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.10</artifactId>
    <version>2.0.0</version>
</dependency>

<!-- https://mvnrepository.com/artifact/org.scala-lang/scala-library -->
<dependency>
    <groupId>org.scala-lang</groupId>
    <artifactId>scala-library</artifactId>
    <version>2.11.8</version>
</dependency>
<dependency>
    <groupId>com.databricks</groupId>
    <artifactId>spark-csv_2.10</artifactId>
    <version>1.4.0</version>
</dependency>

爪哇

SparkConf conf = new SparkConf().setAppName("JavaWordCount").setMaster("local");
// create Spark Context
SparkContext context = new SparkContext(conf);
// create spark Session
SparkSession sparkSession = new SparkSession(context);

Dataset<Row> df = sparkSession.read().format("com.databricks.spark.csv").option("header", true).option("inferSchema", true).load("hdfs://localhost:9000/usr/local/hadoop_data/loan_100.csv");

        //("hdfs://localhost:9000/usr/local/hadoop_data/loan_100.csv");
System.out.println("========== Print Schema ============");
df.printSchema();
System.out.println("========== Print Data ==============");
df.show();
System.out.println("========== Print title ==============");
df.select("title").show();

Answer 6

解析 CSV 文件有很多挑战，如果文件大小更大，它就会不断增加，如果列值中有非英文/转义符/分隔符/其他字符，则可能导致解析错误。

神奇之处在于所使用的选项。 对我有用并希望涵盖大多数边缘情况的代码如下：

### Create a Spark Session
spark = SparkSession.builder.master("local").appName("Classify Urls").getOrCreate()

### Note the options that are used. You may have to tweak these in case of error
html_df = spark.read.csv(html_csv_file_path, 
                         header=True, 
                         multiLine=True, 
                         ignoreLeadingWhiteSpace=True, 
                         ignoreTrailingWhiteSpace=True, 
                         encoding="UTF-8",
                         sep=',',
                         quote='"', 
                         escape='"',
                         maxColumns=2,
                         inferSchema=True)

希望有帮助。 有关更多信息，请参阅： 使用 PySpark 2 读取具有 HTML 源代码的 CSV

注意：上面的代码来自 Spark 2 API，其中 CSV 文件读取 API 与 Spark 可安装的内置包捆绑在一起。

注意：PySpark 是 Spark 的 Python 包装器，与 Scala/Java 共享相同的 API。

Answer 7

Penny 的 Spark 2 示例是在 spark2 中实现的方法。 还有一个技巧：通过对数据进行初始扫描，通过将选项inferSchema设置为true ，为您生成该标头

在这里，假设spark是您已设置的 spark 会话，则是将亚马逊托管在 S3 上的所有 Landsat 图像的 CSV 索引文件加载到 CSV 索引文件中的操作。

  /*
   * Licensed to the Apache Software Foundation (ASF) under one or more
   * contributor license agreements.  See the NOTICE file distributed with
   * this work for additional information regarding copyright ownership.
   * The ASF licenses this file to You under the Apache License, Version 2.0
   * (the "License"); you may not use this file except in compliance with
   * the License.  You may obtain a copy of the License at
   *
   *    http://www.apache.org/licenses/LICENSE-2.0
   *
   * Unless required by applicable law or agreed to in writing, software
   * distributed under the License is distributed on an "AS IS" BASIS,
   * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
   * See the License for the specific language governing permissions and
   * limitations under the License.
   */

val csvdata = spark.read.options(Map(
    "header" -> "true",
    "ignoreLeadingWhiteSpace" -> "true",
    "ignoreTrailingWhiteSpace" -> "true",
    "timestampFormat" -> "yyyy-MM-dd HH:mm:ss.SSSZZZ",
    "inferSchema" -> "true",
    "mode" -> "FAILFAST"))
  .csv("s3a://landsat-pds/scene_list.gz")

坏消息是：这会触发对文件的扫描； 对于像这个 20+MB 的压缩 CSV 文件这样的大文件，长途连接可能需要 30 秒。 记住这一点：一旦你得到它，你最好手动编码模式。

（代码片段 Apache 软件许可证 2.0 已获得许可以避免所有歧义；我作为 S3 集成的演示/集成测试所做的一些事情）

Answer 8

如果您正在使用 scala 2.11 和 Apache 2.0 或更高版本构建 jar。

无需创建sqlContext或sparkContext对象。 只需一个SparkSession对象就足以满足所有需求。

以下是我的代码，它工作正常：

import org.apache.spark.sql.{DataFrame, Row, SQLContext, SparkSession}
import org.apache.log4j.{Level, LogManager, Logger}

object driver {

  def main(args: Array[String]) {

    val log = LogManager.getRootLogger

    log.info("**********JAR EXECUTION STARTED**********")

    val spark = SparkSession.builder().master("local").appName("ValidationFrameWork").getOrCreate()
    val df = spark.read.format("csv")
      .option("header", "true")
      .option("delimiter","|")
      .option("inferSchema","true")
      .load("d:/small_projects/spark/test.pos")
    df.show()
  }
}

如果您在集群中运行，只需在定义sparkBuilder对象时将sparkBuilder .master("local")更改为sparkBuilder .master("yarn")

Spark 文档涵盖了这一点： https : //spark.apache.org/docs/2.2.0/sql-programming-guide.html

Answer 9

将以下 Spark 依赖项添加到 POM 文件：

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>2.2.0</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    <version>2.2.0</version>
</dependency>

火花配置：

val spark = SparkSession.builder().master("local").appName("Sample App").getOrCreate()

读取csv文件：

val df = spark.read.option("header", "true").csv("FILE_PATH")

显示输出：

df.show()

Answer 10

使用 Spark 2.4+，如果要从本地目录加载 csv，则可以使用 2 个会话并将其加载到 hive 中。 第一个会话应使用 master() 配置创建为“local[*]”，第二个会话应使用“yarn”和 Hive 启用。

下面一个对我有用。

import org.apache.log4j.{Level, Logger}
import org.apache.spark._
import org.apache.spark.rdd._
import org.apache.spark.sql._

object testCSV { 

  def main(args: Array[String]) {
    Logger.getLogger("org").setLevel(Level.ERROR)
    val spark_local = SparkSession.builder().appName("CSV local files reader").master("local[*]").getOrCreate()

    import spark_local.implicits._
    spark_local.sql("SET").show(100,false)
    val local_path="/tmp/data/spend_diversity.csv"  // Local file
    val df_local = spark_local.read.format("csv").option("inferSchema","true").load("file://"+local_path) // "file://" is mandatory
    df_local.show(false)

    val spark = SparkSession.builder().appName("CSV HDFS").config("spark.sql.warehouse.dir", "/apps/hive/warehouse").enableHiveSupport().getOrCreate()

    import spark.implicits._
    spark.sql("SET").show(100,false)
    val df = df_local
    df.createOrReplaceTempView("lcsv")
    spark.sql(" drop table if exists work.local_csv ")
    spark.sql(" create table work.local_csv as select * from lcsv ")

   }

当使用spark2-submit --master "yarn" --conf spark.ui.enabled=false testCSV.jar它运行良好并在 hive 中创建了表。

Answer 11

要从系统上的相对路径读取，请使用 System.getProperty 方法获取当前目录，并进一步使用相对路径加载文件。

scala> val path = System.getProperty("user.dir").concat("/../2015-summary.csv")
scala> val csvDf = spark.read.option("inferSchema","true").option("header", "true").csv(path)
scala> csvDf.take(3)

火花：2.4.4 斯卡拉：2.11.12

Answer 12

默认文件格式是带有 spark.read.. 和文件读取 csv 的 Parquet，这就是为什么会出现异常。 使用您尝试使用的 api 指定 csv 格式

Answer 13

加载CSV文件并将结果作为DataFrame返回。

df=sparksession.read.option("header", true).csv("file_name.csv")

Dataframe将文件视为csv格式。

Answer 14

如果使用 spark 2.0+ 试试这个

For non-hdfs file:
df = spark.read.csv("file:///csvfile.csv")


For hdfs file:
df = spark.read.csv("hdfs:///csvfile.csv")

For hdfs file (with different delimiter than comma:
df = spark.read.option("delimiter","|")csv("hdfs:///csvfile.csv")

注意：- 这适用于任何分隔文件。 只需使用 option(“delimiter”,) 来更改值。

希望这是有帮助的。

Answer 15

使用内置的 Spark csv，您可以使用 Spark > 2.0 的新 SparkSession 对象轻松完成。

val df = spark.
        read.
        option("inferSchema", "false").
        option("header","true").
        option("mode","DROPMALFORMED").
        option("delimiter", ";").
        schema(dataSchema).
        csv("/csv/file/dir/file.csv")
df.show()
df.printSchema()

您可以设置各种选项。

• header ：您的文件是否在顶部包含标题行
• inferSchema ：是否要自动推断模式。 默认为true 。 我总是喜欢提供模式来确保正确的数据类型。
• mode : 解析模式、PERMISSIVE、DROPMALFORMED 或 FAILFAST
• delimiter : 指定分隔符，默认为逗号(',')