[英]Write records per partition in spark data frame to a xml file
我必须在spark数据帧中每个分区的文件中进行记录计数,然后将输出写入XML文件。
这是我的数据框。
dfMainOutputFinalWithoutNull.coalesce(1).write.partitionBy("DataPartition","StatementTypeCode")
.format("csv")
.option("nullValue", "")
.option("header", "true")
.option("codec", "gzip")
.save("s3://trfsdisu/SPARK/FinancialLineItem/output")
现在,我必须计算每个分区中每个文件中的记录数,然后将输出写入XML文件。
这就是我试图做到的。
val count =dfMainOutputFinalWithoutNull.groupBy("DataPartition","StatementTypeCode").count
count.write.format("com.databricks.spark.xml")
.option("rootTag", "items")
.option("rowTag", "item")
.save("s3://trfsdisu/SPARK/FinancialLineItem/Descr")
我能够打印每个分区的总记录数并进行打印,但是当我尝试创建xml文件时,我遇到了以下错误。
java.lang.ClassNotFoundException: Failed to find data source: com.databricks.spark.xml. Please find packages at http://spark.apache.org/third-party-projects.html
我正在使用Spark 2.2.0, Zeppelin 0.7.2
所以我必须要导入com.databricks.spark.xml
,但是为什么要使用csv文件,如果我不导入com.databricks.spark.csv
。
另外,是否可以使用缓存dfMainOutputFinalWithoutNull
因为我将使用它两次来写入其数据,然后计算其分区记录,然后写入xml文件?
我添加了这种依赖
<!-- https://mvnrepository.com/artifact/com.databricks/spark-xml_2.10 -->
<dependency>
<groupId>com.databricks</groupId>
<artifactId>spark-xml_2.10</artifactId>
<version>0.2.0</version>
</dependency>
并重新启动解释器。 然后我得到了以下错误。
java.lang.NullPointerException
at org.apache.zeppelin.spark.Utils.invokeMethod(Utils.java:38)
at org.apache.zeppelin.spark.Utils.invokeMethod(Utils.java:33)
at org.apache.zeppelin.spark.SparkInterpreter.createSparkContext_2(SparkInterpreter.java:391)
at org.apache.zeppelin.spark.SparkInterpreter.createSparkContext(SparkInterpreter.java:380)
at org.apache.zeppelin.spark.SparkInterpreter.getSparkContext(SparkInterpreter.java:146)
我会回答我的问题
所以我在zepplin中添加了以下依赖项
Scala 2.11
groupId: com.databricks
artifactId: spark-xml_2.11
version: 0.4.1
在下面的Zepplin中添加
com.databricks:spark-xml_2.11:0.4.1
然后我就可以创建文件了。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.