Scala 如何将spark数据帧保存为磁盘上的csv?
例如,此操作的结果:Scala 如何将spark数据帧保存为磁盘上的csv?,scala,apache-spark,apache-spark-sql,Scala,Apache Spark,Apache Spark Sql,例如,此操作的结果: df.filter("project = 'en'").select("title","count").groupBy("title").sum() 将返回一个数组 如何将spark数据帧保存为磁盘上的csv文件?Apache spark不支持磁盘上的本机csv输出 不过,您有四种可用的解决方案: 您可以将数据帧转换为RDD: def CONVERTOREADABLESTRING(r:行)=??? df.rdd.map{convertToReadableString}.s
df.filter("project = 'en'").select("title","count").groupBy("title").sum()
将返回一个数组
如何将spark数据帧保存为磁盘上的csv文件?Apache spark不支持磁盘上的本机csv输出 不过,您有四种可用的解决方案:
def CONVERTOREADABLESTRING(r:行)=???
df.rdd.map{convertToReadableString}.saveAsTextFile(文件路径)
这将创建一个文件夹文件路径。在文件路径下,您将找到分区文件(例如part-000*)
如果我想将所有分区附加到一个大的CSV中,我通常会做的是
cat filePath/part* > mycsvfile.csv
一些人将使用coalesce(1,false)从RDD创建一个分区。这通常是一种不好的做法,因为它可能会将您正在收集的所有数据拉到驱动程序中,从而使驱动程序不知所措
请注意,df.rdd
将返回一个rdd[Row]
com.databricks.spark.csv.CsvSchemaRDD
中找到了负责将数据帧转换为原始csv的代码
遗憾的是,它是用sc.textFile
和相关方法结尾硬编码的
我复制粘贴了该代码,用sc.textFile
删除了最后一行,并直接返回RDD
我的代码:
/*
This is copypasta from com.databricks.spark.csv.CsvSchemaRDD
Spark's code has perfect method converting Dataframe -> raw csv RDD[String]
But in last lines of that method it's hardcoded against writing as text file -
for our case we need RDD.
*/
object DataframeToRawCsvRDD {
val defaultCsvFormat = com.databricks.spark.csv.defaultCsvFormat
def apply(dataFrame: DataFrame, parameters: Map[String, String] = Map())
(implicit ctx: ExecutionContext): RDD[String] = {
val delimiter = parameters.getOrElse("delimiter", ",")
val delimiterChar = if (delimiter.length == 1) {
delimiter.charAt(0)
} else {
throw new Exception("Delimiter cannot be more than one character.")
}
val escape = parameters.getOrElse("escape", null)
val escapeChar: Character = if (escape == null) {
null
} else if (escape.length == 1) {
escape.charAt(0)
} else {
throw new Exception("Escape character cannot be more than one character.")
}
val quote = parameters.getOrElse("quote", "\"")
val quoteChar: Character = if (quote == null) {
null
} else if (quote.length == 1) {
quote.charAt(0)
} else {
throw new Exception("Quotation cannot be more than one character.")
}
val quoteModeString = parameters.getOrElse("quoteMode", "MINIMAL")
val quoteMode: QuoteMode = if (quoteModeString == null) {
null
} else {
QuoteMode.valueOf(quoteModeString.toUpperCase)
}
val nullValue = parameters.getOrElse("nullValue", "null")
val csvFormat = defaultCsvFormat
.withDelimiter(delimiterChar)
.withQuote(quoteChar)
.withEscape(escapeChar)
.withQuoteMode(quoteMode)
.withSkipHeaderRecord(false)
.withNullString(nullValue)
val generateHeader = parameters.getOrElse("header", "false").toBoolean
val headerRdd = if (generateHeader) {
ctx.sparkContext.parallelize(Seq(
csvFormat.format(dataFrame.columns.map(_.asInstanceOf[AnyRef]): _*)
))
} else {
ctx.sparkContext.emptyRDD[String]
}
val rowsRdd = dataFrame.rdd.map(row => {
csvFormat.format(row.toSeq.map(_.asInstanceOf[AnyRef]): _*)
})
headerRdd union rowsRdd
}
}
我遇到了类似的问题,我必须将数据帧的内容保存到我定义的名称为的csv文件中<代码>df.write(“csv”).save(“”正在创建目录而不是文件。因此,我们必须提出以下解决方案。 大部分代码取自下面的代码,对逻辑进行了少量修改
def saveDfToCsv(df: DataFrame, tsvOutput: String, sep: String = ",", header: Boolean = false): Unit = {
val tmpParquetDir = "Posts.tmp.parquet"
df.repartition(1).write.
format("com.databricks.spark.csv").
option("header", header.toString).
option("delimiter", sep).
save(tmpParquetDir)
val dir = new File(tmpParquetDir)
val newFileRgex = tmpParquetDir + File.separatorChar + ".part-00000.*.csv"
val tmpTsfFile = dir.listFiles.filter(_.toPath.toString.matches(newFileRgex))(0).toString
(new File(tmpTsvFile)).renameTo(new File(tsvOutput))
dir.listFiles.foreach( f => f.delete )
dir.delete
}
将数据帧作为csv写入磁盘与从csv读取类似。如果希望将结果作为一个文件,可以使用coalesce
df.coalesce(1)
.write
.option("header","true")
.option("sep",",")
.mode("overwrite")
.csv("output/path")
如果结果是数组,则应使用特定于语言的解决方案,而不是spark dataframe api。因为所有这些结果都返回驱动程序机器。我认为
spark csv
是首选解决方案。从头开始创建正确的csv行并不容易。所有的方言和正确的逃脱都是相当棘手的。在PySpark中,你们也可以将小桌子变成熊猫,并在当地进行保存。但这可能是一个Scala问题。如果您想在@zero323的答案中添加信息,请随意添加!伙计们,你们知道有没有可能避免hadoopish格式,并将数据存储到我选择的文件名或s3
键名下的文件中,而不是\u success
和part-*
?我发布了使用spark csvbtw的解决方案。这不会返回数组,而是数据帧!如果给出的答案解决了您的问题,请接受它并进行投票,这样我们就可以将此问题归类为已解决!
df.coalesce(1)
.write
.option("header","true")
.option("sep",",")
.mode("overwrite")
.csv("output/path")