[英]How to load the csv file into the Spark DataFrame with Array[Int]
[英]Spark - load CSV file as DataFrame?
我想在 spark 中讀取 CSV 並將其轉換為 DataFrame 並使用df.registerTempTable("table_name")
將其存儲在 HDFS 中
scala> val df = sqlContext.load("hdfs:///csv/file/dir/file.csv")
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 中將 CSV 文件加載為 DataFrame 的正確命令是什么?
spark-csv 是核心 Spark 功能的一部分,不需要單獨的庫。 所以你可以做例如
df = spark.read.format("csv").option("header", "true").load("csvfile.csv")
在 Scala 中,(這適用於任何格式的分隔符提及“,”對於 csv,“\\t”對於 tsv 等)
val df = sqlContext.read.format("com.databricks.spark.csv") .option("delimiter", ",") .load("csvfile.csv")
首先,默認初始化SparkSession
對象,它將在 shell 中作為spark
可用
val spark = org.apache.spark.sql.SparkSession.builder
.master("local") # Change it as per your cluster
.appName("Spark CSV Reader")
.getOrCreate;
使用以下任一方式將CSV加載為
DataFrame/DataSet
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")
val df = spark.sql("SELECT * FROM csv.`hdfs:///csv/file/dir/file.csv`")
依賴項:
"org.apache.spark" % "spark-core_2.11" % 2.0.0,
"org.apache.spark" % "spark-sql_2.11" % 2.0.0,
val df = sqlContext.read
.format("com.databricks.spark.csv")
.option("header", "true")
.option("mode", "DROPMALFORMED")
.load("csv/file/path");
依賴項:
"org.apache.spark" % "spark-sql_2.10" % 1.6.0,
"com.databricks" % "spark-csv_2.10" % 1.6.0,
"com.univocity" % "univocity-parsers" % LATEST,
它的 Hadoop 是 2.6,Spark 是 1.6,並且沒有“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)
使用 Spark 2.0,以下是讀取 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)
在 Java 1.8 中,此代碼片段非常適合讀取 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();
解析 CSV 文件有很多挑戰,如果文件大小更大,它就會不斷增加,如果列值中有非英文/轉義符/分隔符/其他字符,則可能導致解析錯誤。
神奇之處在於所使用的選項。 對我有用並希望涵蓋大多數邊緣情況的代碼如下:
### 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)
希望有幫助。 有關更多信息,請參閱: 使用 PySpark 2 讀取具有 HTML 源代碼的 CSV
注意:上面的代碼來自 Spark 2 API,其中 CSV 文件讀取 API 與 Spark 可安裝的內置包捆綁在一起。
注意:PySpark 是 Spark 的 Python 包裝器,與 Scala/Java 共享相同的 API。
Penny 的 Spark 2 示例是在 spark2 中實現的方法。 還有一個技巧:通過對數據進行初始掃描,通過將選項inferSchema
設置為true
,為您生成該標頭
在這里,假設spark
是您已設置的 spark 會話,則是將亞馬遜托管在 S3 上的所有 Landsat 圖像的 CSV 索引文件加載到 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")
壞消息是:這會觸發對文件的掃描; 對於像這個 20+MB 的壓縮 CSV 文件這樣的大文件,長途連接可能需要 30 秒。 記住這一點:一旦你得到它,你最好手動編碼模式。
(代碼片段 Apache 軟件許可證 2.0 已獲得許可以避免所有歧義;我作為 S3 集成的演示/集成測試所做的一些事情)
如果您正在使用 scala 2.11 和 Apache 2.0 或更高版本構建 jar。
無需創建sqlContext
或sparkContext
對象。 只需一個SparkSession
對象就足以滿足所有需求。
以下是我的代碼,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()
}
}
如果您在集群中運行,只需在定義sparkBuilder
對象時將sparkBuilder
.master("local")
更改為sparkBuilder
.master("yarn")
Spark 文檔涵蓋了這一點: https : //spark.apache.org/docs/2.2.0/sql-programming-guide.html
將以下 Spark 依賴項添加到 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()
讀取csv文件:
val df = spark.read.option("header", "true").csv("FILE_PATH")
顯示輸出:
df.show()
使用 Spark 2.4+,如果要從本地目錄加載 csv,則可以使用 2 個會話並將其加載到 hive 中。 第一個會話應使用 master() 配置創建為“local[*]”,第二個會話應使用“yarn”和 Hive 啟用。
下面一個對我有用。
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 ")
}
當使用spark2-submit --master "yarn" --conf spark.ui.enabled=false testCSV.jar
它運行良好並在 hive 中創建了表。
要從系統上的相對路徑讀取,請使用 System.getProperty 方法獲取當前目錄,並進一步使用相對路徑加載文件。
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
默認文件格式是帶有 spark.read.. 和文件讀取 csv 的 Parquet,這就是為什么會出現異常。 使用您嘗試使用的 api 指定 csv 格式
加載CSV文件並將結果作為DataFrame返回。
df=sparksession.read.option("header", true).csv("file_name.csv")
Dataframe將文件視為csv格式。
如果使用 spark 2.0+ 試試這個
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:- 這適用於任何分隔文件。 只需使用 option(“delimiter”,) 來更改值。
希望這是有幫助的。
使用內置的 Spark csv,您可以使用 Spark > 2.0 的新 SparkSession 對象輕松完成。
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()
您可以設置各種選項。
header
:您的文件是否在頂部包含標題行inferSchema
:是否要自動推斷模式。 默認為true
。 我總是喜歡提供模式來確保正確的數據類型。mode
: 解析模式、PERMISSIVE、DROPMALFORMED 或 FAILFASTdelimiter
: 指定分隔符,默認為逗號(',')
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.