时间戳

首页 > 解决方案 > Spark：加载多个文件，执行相同的操作并合并到一个数据帧中

python - Spark：加载多个文件，执行相同的操作并合并到一个数据帧中

问题描述

我有很多小的、单独的 .txt 文件。对于这些文件中的每一个，我将多行按空格分成 2 列，start_time 和 end_time（一个浮点数）。

我想：

+------------+--------------+------------+------------+
|  file_name |   start_time |   end_time |   duration |
+------------+--------------+------------+------------+

我知道我可以简单地为每个文件和每一行创建一个循环，并一次将一行添加到数据框中，但我想知道是否有更快的方法来做到这一点。
我对事情完成的顺序不感兴趣，但最终结果的速度。我看到SparkContext 中提供了textFile()和wholeTextFiles()等现有函数，但我不知道如何使用它们来做我想做的事。

非常感谢任何方向或建议！

（对不起我的英语不好）

更新：

感谢@Shu 的帮助，这是我用来解决问题的最终代码

from pyspark.sql.functions import split, reverse, input_file_name

original_schema = [StructField("Start", FloatType(), True),
                    StructField("End", FloatType(), True)]

data_structure = StructType(original_schema)

df = self.spark_session.read.\
    csv(path=PATH_FILES+'\\*.txt', header=False, schema=data_structure, sep='\t').\
    withColumn("Filename", reverse(split(input_file_name(), "/")).getItem(0) ).\
    withColumn("duration", col("End") - col("Start"))

df.show(20, False)

标签： pythonapache-sparkpysparkhdfsrdd

解决方案

使用 和 如果您的列由use spark.read.csv()分隔，则读取文件。space.option("delimiter"," ")

  • 使用input_file_name函数获取文件名。

例子：

from pyspark.sql.functions import *

spark.read.option("header",true).\
option("delimiter"," ").\
csv("<path>").\
withColumn("file_name",input_file_name).\
withColumn("duration",col("end_time") - col("start_time")).show()

如果行被分隔，space则使用文件中不存在的分隔符读取数据。

  • 然后拆分数据\\s+并爆炸，现在我们将数据放入数据框行。

  • 使用substring函数提取start_time,end_time并减去它们以获得持续时间。

spark.read.csv("<file_path>").\
withColumn("input",explode(split(col("_c0"),"\\s+"))).\
withColumn("filename",input_file_name()).\
drop("_c0").\
show()

UPDATE

Using array index:

spark.read.csv("<file_path>").\
withColumn("input",explode(split(col("_c0"),"\\s+"))).\
withColumn("filename",reverse(split(input_file_name(),'/'))[0]).\
drop("_c0").\
show()
#or
spark.read.csv("<file_path>").\
withColumn("input",explode(split(col("_c0"),"\\s+"))).\
withColumn("filename",reverse(split(input_file_name(),'/')).getItem(0)).\
drop("_c0").\
show()

From Spark-2.4+ Using element_at:

spark.read.csv("<file_path>").\
withColumn("input",explode(split(col("_c0"),"\\s+"))).\
withColumn("filename",element_at(split(input_file_name(),'/'),-1)).\
drop("_c0").\
show()

推荐阅读