使用Spark读写CSV格式文件

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Spark SQL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:

 
1<dependency>
2    <groupId>com.databricks</groupId>
3    <artifactId>spark-csv_2.10</artifactId>
4    <version>1.0.3</version>
5</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:

 
1[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

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:

 
1CREATE TABLE cars
2USING com.databricks.spark.csv
3OPTIONS (path "cars.csv", header "true")

我们还可以在DDL中指定列的名字和类型,如下:

 
1CREATE TABLE cars (yearMade double, carMake string, carModel string, comments string, blank string)
2USING com.databricks.spark.csv
3OPTIONS (path "cars.csv", header "true")

2、通过Scala方式

  推荐的方式是通过调用SQLContextload/save函数来加载CSV数据:

1import org.apache.spark.sql.SQLContext
2 
3val sqlContext = new SQLContext(sc)
4val df = sqlContext.load("com.databricks.spark.csv", Map("path" -> "cars.csv", "header" -> "true"))
5df.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:

 
1import org.apache.spark.sql.SQLContext
2import com.databricks.spark.csv._
3 
4val sqlContext = new SQLContext(sc)
5 
6val cars = sqlContext.csvFile("cars.csv")
7cars.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

 
01/**
02 * User: 过往记忆
03 * Date: 2015-06-01
04 * Time: 下午23:26
07 * 过往记忆博客,专注于hadoop、hive、spark、shark、flume的技术博客,大量的干货
08 * 过往记忆博客微信公共帐号:iteblog_hadoop
09 */
10 
11import org.apache.spark.sql.SQLContext
12 
13SQLContext sqlContext = new SQLContext(sc);
14 
15HashMap<String, String> options = new HashMap<String, String>();
16options.put("header", "true");
17options.put("path", "cars.csv");
18 
19DataFrame df = sqlContext.load("com.databricks.spark.csv", options);
20df.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:

 
1import com.databricks.spark.csv.CsvParser;
2SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc);
3 
4DataFrame cars = (new CsvParser()).withUseHeader(true).csvFile(sqlContext, "cars.csv");

4、在Python中使用

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:

 
1from pyspark.sql import SQLContext
2sqlContext = SQLContext(sc)
3 
4df = sqlContext.load(source="com.databricks.spark.csv", header="true", path = "cars.csv")
5df.select("year", "model").save("newcars.csv", "com.databricks.spark.csv")
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值