Question

我是Apache Spark的新手，我正在尝试将SchemaRDD与我的管道分隔文本文件一起使用。我在Mac上使用Scala 10独立安装Spark 1.5.2。我有一个包含以下代表性数据的CSV文件，我试图根据记录的第一个值（列）将以下内容拆分为4个不同的文件。我非常感谢能从中得到任何帮助。

1|1.8|20140801T081137|115810740
2|20140714T060000|335|22159892|3657|0.00|||181
2|20140714T061500|335|22159892|3657|0.00|||157
2|20140714T063000|335|22159892|3657|0.00|||156
2|20140714T064500|335|22159892|3657|0.00|||66
2|20140714T070000|335|22159892|3657|0.01|||633
2|20140714T071500|335|22159892|3657|0.01|||1087
3|34|Starz
3|35|VH1
3|36|CSPAN: Cable Satellite Public Affairs Network
3|37|Encore
3|278|CMT: Country Music Television
3|281|Telehit
4|625363|1852400|Matlock|9212|The Divorce
4|625719|1852400|Matlock|16|The Rat Pack
4|625849|1846952|Smallville|43|Calling

Answer 1

注意：您的csv文件在每行中没有相同数量的字段 - 这不能像在DataFrame中一样进行解析。（SchemaRDD已重命名为DataFrame。）如果您的csv文件格式正确，可以执行以下操作：

使用--packages com.databricks：spark-csv_2.10：1.3.0启动spark-shell或spark-submit，以便轻松解析csv文件（see here）。在Scala中，您的代码将是，假设您的csv文件有一个标题 - 如果是，则更容易引用列：

val df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").option("inferSchema", "true").option("delimiter", '|').load("/path/to/file.csv")
// assume 1st column has name col1
val df1 = df.filter( df("col1") === 1)  // 1st DataFrame
val df2 = df.filter( df("col1") === 2)  // 2nd DataFrame  etc...

由于您的文件格式不正确，您必须以不同方式解析每个不同的行，例如，执行以下操作：

val lines = sc.textFile("/path/to/file.csv")

case class RowRecord1( col1:Int, col2:Double, col3:String, col4:Int)
def parseRowRecord1( arr:Array[String]) = RowRecord1( arr(0).toInt, arr(1).toDouble, arr(2), arr(3).toInt)

case class RowRecord2( col1:Int, col2:String, col3:Int, col4:Int, col5:Int, col6:Double, col7:Int)
def parseRowRecord2( arr:Array[String]) = RowRecord2( arr(0).toInt, arr(1), arr(2).toInt, arr(3).toInt, arr(4).toInt, arr(5).toDouble, arr(8).toInt)

val df1 = lines.filter(_.startsWith("1")).map( _.split('|')).map( arr => parseRowRecord1( arr )).toDF
val df2 = lines.filter(_.startsWith("2")).map( _.split('|')).map( arr => parseRowRecord2( arr )).toDF

Answer 2

在PySpark中，命令为：

df = spark.read.csv("filepath", sep="|")

Apache Spark使用管道分隔的CSV文件

2 个答案: