Получить CSV для Spark dataframe

Я использую python на Spark и хотел бы получить csv в dataframe.

Документация для Spark SQL странно не дает объяснений CSV в качестве источника.

Я нашел Spark-CSV, однако у меня есть проблемы с двумя частями документации:

"This package can be added to Spark using the --jars command line option. For example, to include it when starting the spark shell: $ bin/spark-shell --packages com.databricks:spark-csv_2.10:1.0.3" Должен ли я действительно добавлять этот аргумент каждый раз, когда я запускаю pyspark или spark-submit? Это кажется очень неэлегантным. Разве нет способа импортировать его в python, а не перегружать его каждый раз?
df = sqlContext.load(source="com.databricks.spark.csv", header="true", path = "cars.csv") Даже если я сделаю это, это не сработает. Что означает аргумент "source" в этой строке кода? Как просто загрузить локальный файл в Linux, скажем "/Spark_Hadoop/spark-1.3.1-bin-cdh4/cars.csv"?

Ответ 1

Прочтите файл csv в RDD, а затем сгенерируйте RowRDD из исходного RDD.

Создайте схему, представленную StructType, соответствующую структуре строк в RDD, созданной на шаге 1.

Применить схему к RDD строк с помощью метода createDataFrame, предоставленного SQLContext.

lines = sc.textFile("examples/src/main/resources/people.txt")
parts = lines.map(lambda l: l.split(","))
# Each line is converted to a tuple.
people = parts.map(lambda p: (p[0], p[1].strip()))

# The schema is encoded in a string.
schemaString = "name age"

fields = [StructField(field_name, StringType(), True) for field_name in schemaString.split()]
schema = StructType(fields)

# Apply the schema to the RDD.
schemaPeople = spark.createDataFrame(people, schema)

источник: СПРАВОЧНИК ПРОГРАММИРОВАНИЯ

Ответ 2

from pyspark.sql.types import StringType
from pyspark import SQLContext
sqlContext = SQLContext(sc)

Employee_rdd = sc.textFile("\..\Employee.csv")
               .map(lambda line: line.split(","))

Employee_df = Employee_rdd.toDF(['Employee_ID','Employee_name'])

Employee_df.show()

Ответ 3

Если вы не против дополнительной зависимости пакета, вы можете использовать Pandas для разбора CSV файла. Он обрабатывает внутренние запятые просто отлично.

Зависимости:

from pyspark import SparkContext
from pyspark.sql import SQLContext
import pandas as pd

Прочитайте весь файл сразу в Spark DataFrame:

sc = SparkContext('local','example')  # if using locally
sql_sc = SQLContext(sc)

pandas_df = pd.read_csv('file.csv')  # assuming the file contains a header
# If no header:
# pandas_df = pd.read_csv('file.csv', names = ['column 1','column 2']) 
s_df = sql_sc.createDataFrame(pandas_df)

Или, еще более сознательно, вы можете записать данные в Spark RDD, затем DF:

chunk_100k = pd.read_csv('file.csv', chunksize=100000)

for chunky in chunk_100k:
    Spark_temp_rdd = sc.parallelize(chunky.values.tolist())
    try:
        Spark_full_rdd += Spark_temp_rdd
    except NameError:
        Spark_full_rdd = Spark_temp_rdd
    del Spark_temp_rdd

Spark_DF = Spark_full_rdd.toDF(['column 1','column 2'])

Ответ 4

После Spark 2.0 рекомендуется использовать Spark Session:

from pyspark.sql import SparkSession
from pyspark.sql import Row

# Create a SparkSession
spark = SparkSession \
    .builder \
    .appName("basic example") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

def mapper(line):
    fields = line.split(',')
    return Row(ID=int(fields[0]), field1=str(fields[1].encode("utf-8")), field2=int(fields[2]), field3=int(fields[3]))

lines = spark.sparkContext.textFile("file.csv")
df = lines.map(mapper)

# Infer the schema, and register the DataFrame as a table.
schemaDf = spark.createDataFrame(df).cache()
schemaDf.createOrReplaceTempView("tablename")

Ответ 5

С более свежими версиями Spark (по-моему, 1.4) это стало намного проще. Выражение sqlContext.read дает вам DataFrameReader экземпляр с помощью метода .csv():

df = sqlContext.read.csv("/path/to/your.csv")

Обратите внимание, что вы также можете указать, что файл csv имеет заголовок, добавив к аргументу header=True аргумент ключевого слова .csv(). Доступно несколько других опций и описано в ссылке выше.

Ответ 6

для Pyspark, предполагая, что первая строка файла csv содержит заголовок

spark = SparkSession.builder.appName('chosenName').getOrCreate()
df=spark.read.csv('fileNameWithPath', mode="DROPMALFORMED",inferSchema=True, header = True)

Ответ 7

У меня возникла аналогичная проблема. Решение состоит в том, чтобы добавить переменную среды с именем "PYSPARK_SUBMIT_ARGS" и установить ее значение в "--packages com.databricks: spark-csv_2.10: 1.4.0 pyspark-shell". Это работает с интерактивной оболочкой Spark Python.

Убедитесь, что вы используете версию spark-csv с установленной версией Scala. При Scala 2.11 это искро-csv_2.11 и Scala 2.10 или 2.10.5 оно искро-csv_2.10.

Надеюсь, что это сработает.

Ответ 8

Основываясь на ответе Араванда, но гораздо короче, например.

lines = sc.textFile("/path/to/file").map(lambda x: x.split(","))
df = lines.toDF(["year", "month", "day", "count"])