scala - 在不同列的火花中读取 csv 文件
问题描述
我想使用 Scala 将 csv 文件读入 spark 中的数据帧。我的 csv 文件的第一条记录有三列,其余记录有 5 列。我的 csv 文件没有列名。我在这里提到的是为了理解
Ex:
I'dtype date recordsCount
0 13-02-2015 300
I'dtype date type location. locationCode
1 13-02-2015. R. USA. Us
1. 13-02-2015. T. London. Lon
我的问题是如何将这个文件读入数据框,因为第一行和剩余的行有不同的列。我尝试的解决方案是将文件读取为 rdd 并过滤掉标头记录,然后将剩余记录转换为数据帧。有没有更好的解决方案?请帮我
解决方案
您可以将文件加载为原始文本,然后使用案例类、Either
实例和模式匹配来整理出什么去哪里。下面的例子。
case class Col3(c1: Int, c2: String, c3: Int)
case class Col5(c1: Int, c2: String, c5_col3: String, c4:String, c5: String)
case class Header(value: String)
type C3 = Either[Header, Col3]
type C5 = Either[Header, Col5]
// assume sqlC & sc created
val path = "tmp.tsv"
val rdd = sc.textFile(path)
val eitherRdd: RDD[Either[C3, C5]] = rdd.map{s =>
val spl = s.split("\t")
spl.length match{
case 3 =>
val res = Try{
Col3(spl(0).toInt, spl(1), spl(2).toInt)
}
res match{
case Success(c3) => Left(Right(c3))
case Failure(_) => Left(Left(Header(s)))
}
case 5 =>
val res = Try{
Col5(spl(0).toInt, spl(1), spl(2), spl(3), spl(4))
}
res match{
case Success(c5) => Right(Right(c5))
case Failure(_) => Right(Left(Header(s)))
}
case _ => throw new Exception("fail")
}
}
val rdd3 = eitherRdd.flatMap(_.left.toOption)
val rdd3Header = rdd3.flatMap(_.left.toOption).collect().head
val df3 = sqlC.createDataFrame(rdd3.flatMap(_.right.toOption))
val rdd5 = eitherRdd.flatMap(_.right.toOption)
val rdd5Header = rdd5.flatMap(_.left.toOption).collect().head
val df5 = sqlC.createDataFrame(rdd5.flatMap(_.right.toOption))
df3.show()
df5.show()
用下面的简单 tsv 测试:
col1 col2 col3
0 sfd 300
1 asfd 400
col1 col2 col4 col5 col6
2 pljdsfn R USA Us
3 sad T London Lon
给出输出
+---+----+---+
| c1| c2| c3|
+---+----+---+
| 0| sfd|300|
| 1|asfd|400|
+---+----+---+
+---+-------+-------+------+---+
| c1| c2|c5_col3| c4| c5|
+---+-------+-------+------+---+
| 2|pljdsfn| R| USA| Us|
| 3| sad| T|London|Lon|
+---+-------+-------+------+---+
为简单起见,我忽略了日期格式,只是将这些字段存储为字符串。但是,添加日期解析器以获取正确的列类型并不会复杂得多。
同样,我依靠解析失败来指示标题行。如果解析不会失败,或者必须做出更复杂的决定,您可以替换不同的逻辑。类似地,需要更复杂的逻辑来区分相同长度的不同记录类型,或者可能包含(转义)拆分字符
推荐阅读
- windows - 如何对未在 Windows 上运行的 Flutter 桌面进行故障排除?
- kotlin - 使用 Retrofit 和 Kotlin 的 @POST 请求
- security - 如何在登录尝试次数过多时锁定用户?
- jenkins - 尝试使用 jenkins 手动运行 testcafe 但出现错误
- html - 如何将 td 值传递给 html 中的 sql 选择查询
- c++ - 将 map 分配给 char*.. 这是如何工作的?(包括代码示例)
- sql - 带有 SQL 查询函数的多循环 - 查询之间的 2 分钟间隔
- c - 在Win32中试探性切换到等待光标的正确方法是什么?(或者:如何正确触发 WM_SETCURSOR?)
- typescript - Typescript 无法使用定义为类型 T 的键的子集的键来索引类型 T
- android - 如何切换 Facebook SDK 同意?