Wie überspringe ich einen Header aus CSV-Dateien in Spark?

Angenommen, ich gebe drei Dateipfade zu einem Spark-Kontext zum Lesen und jede Datei hat ein Schema in der ersten Zeile. Wie können wir Schemazeilen aus Headern überspringen?

val rdd=sc.textFile("file1,file2,file3")

Wie können wir nun Kopfzeilen von dieser Festplatte überspringen?

Wenn der erste Datensatz nur eine Kopfzeile enthalten würde, wäre der effizienteste Weg, diese herauszufiltern:

rdd.mapPartitionsWithIndex {
  (idx, iter) => if (idx == 0) iter.drop(1) else iter 
}

Dies hilft nicht, wenn natürlich viele Dateien mit vielen Kopfzeilen enthalten sind. Sie können drei RDDs, die Sie auf diese Weise erstellen, zusammenschließen.

Sie können auch einfach filtereine Zeile schreiben , die nur einer Zeile entspricht, die eine Überschrift sein kann. Dies ist recht einfach, aber weniger effizient.

Python-Äquivalent:

from itertools import islice

rdd.mapPartitionsWithIndex(
    lambda idx, it: islice(it, 1, None) if idx == 0 else it 
)

data = sc.textFile('path_to_data')
header = data.first() #extract header
data = data.filter(row => row != header)   #filter out header

In Spark 2.0 ist ein CSV-Reader in Spark integriert, sodass Sie eine CSV-Datei wie folgt einfach laden können:

spark.read.option("header","true").csv("filePath")

Ab Spark 2.0 können Sie SparkSession verwenden , um dies als Einzeiler zu erledigen:

val spark = SparkSession.builder.config(conf).getOrCreate()

und dann wie @SandeepPurohit sagte:

val dataFrame = spark.read.format("CSV").option("header","true").load(csvfilePath)

Ich hoffe es hat deine Frage gelöst!

PS: SparkSession ist der neue Einstiegspunkt in Spark 2.0 und befindet sich unter dem Paket spark_sql

In PySpark können Sie einen Datenrahmen verwenden und den Header auf True setzen:

df = spark.read.csv(dataPath, header=True)

Sie können jede Datei separat laden, mit filtern file.zipWithIndex().filter(_._2 > 0)und dann alle Datei-RDDs zusammenführen.

Wenn die Anzahl der Dateien zu groß ist, kann die Union a auslösen StackOverflowExeption.

Verwenden Sie die filter()Methode in PySpark, indem Sie den ersten Spaltennamen herausfiltern, um den Header zu entfernen:

# Read file (change format for other file formats)
contentRDD = sc.textfile(<filepath>)

# Filter out first column of the header
filterDD = contentRDD.filter(lambda l: not l.startswith(<first column name>)

# Check your result
for i in filterDD.take(5) : print (i)

Arbeiten im Jahr 2018 (Spark 2.3)

Python

df = spark.read
    .option("header", "true")
    .format("csv")
    .schema(myManualSchema)
    .load("mycsv.csv")

Scala

val myDf = spark.read
  .option("header", "true")
  .format("csv")
  .schema(myManualSchema)
  .load("mycsv.csv")

PD1: myManualSchema ist ein vordefiniertes Schema, das von mir geschrieben wurde. Sie können diesen Teil des Codes überspringen

Es ist eine Option, die Sie an den read()Befehl übergeben:

context = new org.apache.spark.sql.SQLContext(sc)

var data = context.read.option("header","true").csv("<path>")

Alternativ können Sie das spark-csv-Paket verwenden (oder in Spark 2.0 ist dies mehr oder weniger nativ als CSV verfügbar). Beachten Sie, dass dies den Header für jede Datei erwartet (wie Sie es wünschen):

schema = StructType([
        StructField('lat',DoubleType(),True),
        StructField('lng',DoubleType(),True)])

df = sqlContext.read.format('com.databricks.spark.csv'). \
     options(header='true',
             delimiter="\t",
             treatEmptyValuesAsNulls=True,
             mode="DROPMALFORMED").load(input_file,schema=schema)

//Find header from the files lying in the directory
val fileNameHeader = sc.binaryFiles("E:\\sss\\*.txt",1).map{
    case (fileName, stream)=>
        val header = new BufferedReader(new InputStreamReader(stream.open())).readLine()
        (fileName, header)
}.collect().toMap

val fileNameHeaderBr = sc.broadcast(fileNameHeader)

// Now let's skip the header. mapPartition will ensure the header
// can only be the first line of the partition
sc.textFile("E:\\sss\\*.txt",1).mapPartitions(iter =>
    if(iter.hasNext){
        val firstLine = iter.next()
        println(s"Comparing with firstLine $firstLine")
        if(firstLine == fileNameHeaderBr.value.head._2)
            new WrappedIterator(null, iter)
        else
            new WrappedIterator(firstLine, iter)
    }
    else {
        iter
    }
).collect().foreach(println)

class WrappedIterator(firstLine:String,iter:Iterator[String]) extends Iterator[String]{
    var isFirstIteration = true
    override def hasNext: Boolean = {
        if (isFirstIteration && firstLine != null){
            true
        }
        else{
            iter.hasNext
        }
    }

    override def next(): String = {
        if (isFirstIteration){
            println(s"For the first time $firstLine")
            isFirstIteration = false
            if (firstLine != null){
                firstLine
            }
            else{
                println(s"Every time $firstLine")
                iter.next()
            }
        }
        else {
          iter.next()
        }
    }
}

Für Python-Entwickler. Ich habe mit spark2.0 getestet. Angenommen, Sie möchten die ersten 14 Zeilen entfernen.

sc = spark.sparkContext
lines = sc.textFile("s3://folder_location_of_csv/")
parts = lines.map(lambda l: l.split(","))
parts.zipWithIndex().filter(lambda tup: tup[1] > 14).map(lambda x:x[0])

withColumn ist die Funktion df. Daher funktioniert unten nicht im oben verwendeten RDD-Stil.

parts.withColumn("index",monotonically_increasing_id()).filter(index > 14)