【SparkML系列2】DataSource读取图片数据

DataSource(数据源)

在本节中，我们将介绍如何在机器学习中使用数据源加载数据。除了一些通用的数据源，如 Parquet、CSV、JSON 和 JDBC 外，我们还提供了一些专门用于机器学习的数据源。

###Image data source（图像数据源）
该图像数据源用于从目录加载图像文件，它可以通过 Java 库中的 ImageIO 加载压缩图像（jpeg、png 等）到原始图像表示。加载的 DataFrame 有一个 StructType 列：“image”，包含存储为图像模式的图像数据。图像列的模式是：

origin：StringType（表示图像的文件路径）
height：IntegerType（图像的高度）
width：IntegerType（图像的宽度）
nChannels：IntegerType（图像通道的数量）
mode：IntegerType（与 OpenCV 兼容的类型）
data：BinaryType（以 OpenCV 兼容的顺序排列的图像字节：在大多数情况下为逐行 BGR）

import org.apache.spark.sql.SparkSession

/**
 * @description TODO
 * @date 2024/1/31 15:30
 * @author by fangwen1
 */
object ImageDataSource {

  def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder
      .master("local[*]")
      .appName("ImageDataSource")
      .getOrCreate()
    //.format("image") 告诉 Spark 读取器数据是以图像格式存储的，而 .option("dropInvalid", true) 设置了一个选项，指示读取器在加载过程中丢弃任何无效的图像文件。
    val df = spark.read.format("image").option("dropInvalid", true).load("data/mllib/images/origin/kittens")

    df.select("image.origin", "image.width", "image.height", "image.nChannels", "image.mode").show(truncate=false)


    //.format("libsvm") 告诉 Spark 读取器数据是以 LIBSVM 格式存储的，而 .option("numFeatures", "780") 设置了一个选项，指定特征向量的数量为 780。
    val df1 = spark.read.format("libsvm").option("numFeatures", "780").load("data/mllib/sample_libsvm_data.txt")
    df1.show()
  }
}