如何在使用pyspark读取镶木地板文件时指定模式？

Question

在使用scala或pyspark读取存储在hadoop中的镶木地板文件时，会发生错误：

#scala    
var dff = spark.read.parquet("/super/important/df")
    org.apache.spark.sql.AnalysisException: Unable to infer schema for Parquet. It must be specified manually.;
      at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:189)
      at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:189)
      at scala.Option.getOrElse(Option.scala:121)
      at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$getOrInferFileFormatSchema(DataSource.scala:188)
  at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:387)
  at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:152)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:441)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:425)
  ... 52 elided

或

sql_context.read.parquet(output_file)

导致同样的错误。

错误消息非常清楚要做什么：无法推断Parquet的架构。必须手动指定。; 。 但是我可以在哪里指定它？

Spark 2.1.1，Hadoop 2.5，数据框是在pyspark的帮助下创建的。文件分为10个和平区。

Answer 1

当您尝试将空目录读取为镶木地板时，通常会发生此错误。 例如，如果您创建一个空的DataFrame，将其写入镶木地板然后读取它，则会出现此错误。 在编写之前，您可以使用rdd.isEmpty()检查DataFrame是否为空。

Answer 2

我为同一个

做了快速实施

希望这有助于!! ...