Apache spark 使用pyspark如何拒绝csv文件中的坏(格式错误)记录并将这些被拒绝的记录保存到新文件中
我正在使用pyspark将csv文件中的数据加载到数据框中,我能够在删除格式错误的记录的同时加载数据,但如何从csv文件中拒绝这些不良(格式错误)的记录并将这些被拒绝的记录保存到新文件中?这里有一个想法,尽管我对此不太满意。正如您所知,CSV解析器有不同的模式来删除格式错误的数据。但是,如果未指定任何模式,则会使用默认的Apache spark 使用pyspark如何拒绝csv文件中的坏(格式错误)记录并将这些被拒绝的记录保存到新文件中,apache-spark,pyspark,pyspark-sql,Apache Spark,Pyspark,Pyspark Sql,我正在使用pyspark将csv文件中的数据加载到数据框中,我能够在删除格式错误的记录的同时加载数据,但如何从csv文件中拒绝这些不良(格式错误)的记录并将这些被拒绝的记录保存到新文件中?这里有一个想法,尽管我对此不太满意。正如您所知,CSV解析器有不同的模式来删除格式错误的数据。但是,如果未指定任何模式,则会使用默认的null值“填充空白”。你可以利用这个优势 使用此数据,并假设列article\u id在设计上不可为空: 1,abcd,correct record1,description1
null
值“填充空白”。你可以利用这个优势
使用此数据,并假设列article\u id
在设计上不可为空:
1,abcd,correct record1,description1 haha
Bad record,Bad record description
3,hijk,another correct record,description2
Not_An_Integer,article,no integer type,description
代码如下:
#!/usr/bin/env python
# coding: utf-8
import pyspark
from pyspark.sql.types import *
from pyspark.sql import Row, functions as F
sc = pyspark.SparkContext.getOrCreate()
spark = pyspark.sql.SparkSession(sc)
# Load the data with your schema, drop the malformed information
schema = StructType([ StructField("article_id", IntegerType()),
StructField("title", StringType()),
StructField("short_desc", StringType()),
StructField("article_desc", StringType())])
valid_data = spark.read.format("csv").schema(schema).option("mode","DROPMALFORMED").load("./data.csv")
valid_data.show()
"""
+----------+-----+--------------------+-----------------+
|article_id|title| short_desc| article_desc|
+----------+-----+--------------------+-----------------+
| 1| abcd| correct record1|description1 haha|
| 3| hijk|another correct r...| description2|
+----------+-----+--------------------+-----------------+
"""
# Load the data and let spark infer everything
malformed_data = spark.read.format("csv").option("header", "false").load("./data.csv")
malformed_data.show()
"""
+--------------+--------------------+--------------------+-----------------+
| _c0| _c1| _c2| _c3|
+--------------+--------------------+--------------------+-----------------+
| 1| abcd| correct record1|description1 haha|
| Bad record|Bad record descri...| null| null|
| 3| hijk|another correct r...| description2|
|Not_An_Integer| article| no integer type| description|
+--------------+--------------------+--------------------+-----------------+
"""
# Join and keep all data from the 'malformed' DataFrame.
merged = valid_data.join(malformed_data, on=valid_data.article_id == malformed_data._c0, how="right")
# Filter those records for which a matching with the 'valid' data was not possible
malformed = merged.where(F.isnull(merged.article_id))
malformed.show()
"""
+----------+-----+----------+------------+--------------+--------------------+---------------+-----------+
|article_id|title|short_desc|article_desc| _c0| _c1| _c2| _c3|
+----------+-----+----------+------------+--------------+--------------------+---------------+-----------+
| null| null| null| null| Bad record|Bad record descri...| null| null|
| null| null| null| null|Not_An_Integer| article|no integer type|description|
+----------+-----+----------+------------+--------------+--------------------+---------------+-----------+
"""
我不太喜欢这个,因为它对Spark解析CSV的方式非常敏感,它可能不适用于所有文件,但您可能会发现它很有用。它的可能重复不是重复,因为我需要将坏记录拒绝到新文件中(以识别这些坏记录),而不是仅仅删除坏记录库,我的坏记录。我想我可能对这个案子有个想法。你能发布几条正确和错误的记录吗?这是我处理的示例数据:1,abcd,正确记录1,描述1哈哈,efgh,坏记录,坏记录描述3,hijk,另一条正确记录,描述2很多,这将非常有用,尽管有点模糊:-)我要求这样的功能: