Spark 之 读写 csv文件
来源:互联网 发布:汉族智商 知乎 编辑:程序博客网 时间:2024/06/06 06:49
转自:https://www.iteblog.com/archives/1380.html
CSV格式的文件也称为逗号分隔值(Comma-Separated Values,CSV,有时也称为字符分隔值,因为分隔字符也可以不是逗号。在本文中的CSV格式的数据就不是简单的逗号分割的),其文件以纯文本形式存表格数据(数字和文本)。CSV文件由任意数目的记录组成,记录间以某种换行符分隔;每条记录由字段组成,字段间的分隔符是其它字符或字符串,最常见的是逗号或制表符。通常,所有记录都有完全相同的字段序列。
本篇文章将介绍如何使用Spark 1.3+的外部数据源接口来自定义CSV输入格式的文件解析器。这个外部数据源接口是由databricks公司开发并开源的(地址:https://github.com/databricks/spark-csv),通过这个类库我们可以在SparkSQL中解析并查询CSV中的数据。因为用到了Spark的外部数据源接口,所以我们需要在Spark 1.3+上面使用。在使用之前,我们需要引入以下的依赖:
<
dependency
>
<
groupId
>com.databricks</
groupId
>
<
artifactId
>spark-csv_2.10</
artifactId
>
<
version
>1.0.3</
version
>
</
dependency
>
目前spark-csv_2.10的最新版就是1.0.3。如果我们想在Spark shell里面使用,我们可以在--jars
选项里面加入这个依赖,如下:
[iteblog@spark $] bin
/spark-shell
--packages com.databricks:spark-csv_2.10:1.0.3
和《Spark SQL整合PostgreSQL》文章中用到的load函数类似,在使用CSV类库的时候,我们需要在options
中传入以下几个选项:
1、path
:看名字就知道,这个就是我们需要解析的CSV文件的路径,路径支持通配符;
2、header
:默认值是false。我们知道,CSV文件第一行一般是解释各个列的含义的名称,如果我们不需要加载这一行,我们可以将这个选项设置为true;
3、delimiter
:默认情况下,CSV是使用英文逗号分隔的,如果不是这个分隔,我们就可以设置这个选项。
4、quote
:默认情况下的引号是'"',我们可以通过设置这个选项来支持别的引号。
5、mode
:解析的模式。默认值是PERMISSIVE
,支持的选项有
(1)、PERMISSIVE
:尝试解析所有的行,nulls are inserted for missing tokens and extra tokens are ignored.
(2)、DROPMALFORMED
:drops lines which have fewer or more tokens than expected
(3)、FAILFAST
: aborts with a RuntimeException if encounters any malformed line
文章目录
- 1 如何使用
- 1.1 1、在Spark SQL中使用
- 1.2 2、通过Scala方式
- 1.3 3、在Java中使用
- 1.4 4、在Python中使用
如何使用
1、在Spark SQL中使用
我们可以通过注册临时表,然后使用纯SQL方式去查询CSV文件:
CREATE
TABLE
cars
USING com.databricks.spark.csv
OPTIONS (path
"cars.csv"
, header
"true"
)
我们还可以在DDL中指定列的名字和类型,如下:
CREATE
TABLE
cars (yearMade
double
, carMake string, carModel string, comments string, blank string)
USING com.databricks.spark.csv
OPTIONS (path
"cars.csv"
, header
"true"
)
2、通过Scala方式
推荐的方式是通过调用SQLContext
的load/save
函数来加载CSV数据:
import
org.apache.spark.sql.SQLContext
val
sqlContext
=
new
SQLContext(sc)
val
df
=
sqlContext.load(
"com.databricks.spark.csv"
, Map(
"path"
->
"cars.csv"
,
"header"
->
"true"
))
df.select(
"year"
,
"model"
).save(
"newcars.csv"
,
"com.databricks.spark.csv"
)
当然,我们还可以使用com.databricks.spark.csv._
的隐式转换:
import
org.apache.spark.sql.SQLContext
import
com.databricks.spark.csv.
_
val
sqlContext
=
new
SQLContext(sc)
val
cars
=
sqlContext.csvFile(
"cars.csv"
)
cars.select(
"year"
,
"model"
).saveAsCsvFile(
"newcars.tsv"
)
3、在Java中使用
和在Scala中使用类似,我们也推荐调用SQLContext
类中 load/save
函数
/**
* User: 过往记忆
* Date: 2015-06-01
* Time: 下午23:26
* bolg: https://www.iteblog.com
* 本文地址:https://www.iteblog.com/archives/1380
* 过往记忆博客,专注于hadoop、hive、spark、shark、flume的技术博客,大量的干货
* 过往记忆博客微信公共帐号:iteblog_hadoop
*/
import
org.apache.spark.sql.SQLContext
SQLContext sqlContext =
new
SQLContext(sc);
HashMap<String, String> options =
new
HashMap<String, String>();
options.put(
"header"
,
"true"
);
options.put(
"path"
,
"cars.csv"
);
DataFrame df = sqlContext.load(
"com.databricks.spark.csv"
, options);
df.select(
"year"
,
"model"
).save(
"newcars.csv"
,
"com.databricks.spark.csv"
);
在Java或者是Scala中,我们可以通过CsvParser里面的函数来读取CSV文件:
import
com.databricks.spark.csv.CsvParser;
SQLContext sqlContext =
new
org.apache.spark.sql.SQLContext(sc);
DataFrame cars = (
new
CsvParser()).withUseHeader(
true
).csvFile(sqlContext,
"cars.csv"
);
4、在Python中使用
在Python中,我们也可以使用SQLContext
类中 load/save
函数来读取和保存CSV文件:
from
pyspark.sql
import
SQLContext
sqlContext
=
SQLContext(sc)
df
=
sqlContext.load(source
=
"com.databricks.spark.csv"
, header
=
"true"
, path
=
"cars.csv"
)
df.select(
"year"
,
"model"
).save(
"newcars.csv"
,
"com.databricks.spark.csv"
)
- Spark 之 读写 csv文件
- python之读写csv文件
- commons-csv读写CSV文件
- 使用Spark读写CSV格式文件
- 使用Spark读写CSV格式文件
- spark读取csv文件
- spark 读取CSV文件
- 读写csv 文件
- Java读写CSV文件
- csv文件读写操作
- Java读写CSV文件
- csv文件读写
- Python读写csv文件
- CSV文件的读写
- C++读写CSV文件
- 读写.csv文件
- C++读写CSV文件
- python 读写 csv文件
- foreach 与 each的区别
- c++之IO流:文件流(fstream, ifstream, ofstream)的打开关闭及状态(ios::xx)
- Guava(四)Resources和Files
- Ubuntu系统搭建VPN服务器
- 关于ListView多条目使用时报的数组异常
- Spark 之 读写 csv文件
- leetcode 27. Remove Element
- 大型多人在线游戏服务器架构设计
- mac代码行数统计
- CSS布局方式总结
- Guava(五)合久必分, 分久必合
- 文本挖掘学习笔记(一)—布尔检索
- OPEN CL开发FPGA遇到LINK2019的问题,未解决
- cordova和ionic 中使用碰到的问题