Question

我的代码1st使用正则表达式提取数据并将该数据写入文本文件（字符串格式）。然后我尝试从文本文件中的内容创建一个数据帧，以便我可以有单独的列导致错误。（将其写入csv文件会将整个内容写入一列）。

with open("C:\\Sample logs\\dataframe.txt",'a') as f:
    f.write(str(time))
    f.write(" ")
    f.write(qtype)
    f.write(" ")
    f.write(rtype)
    f.write(" ")
    f.write(domain)
    f.write("\n")
 new = sc.textFile("C:\\Sample logs\\dataframe.txt").cache() # cause df requires an rdd
 lines1 = new.map(lambda x: (x, ))
 df = sqlContext.createDataFrame(lines1)

但我收到以下错误：

TypeError：无法推断类型的架构：输入'unicode'

我尝试了其他一些方法，但没有帮助。我想要做的就是在执行写操作之后，我想创建一个具有单独列的数据帧，以便使用groupBy（）。

文本文件中的输入：

1472128348.0 HTTP - tr.vwt.gsf.asfh
1472237494.63 HTTP - tr.sdf.sff.sdfg
1473297794.26 HTTP - tr.asfr.gdfg.sdf
1474589345.0 HTTP - tr.sdgf.gdfg.gdfg
1472038475.0 HTTP - tr.sdf.csgn.sdf

csv格式的预期输出：

与上述相同，但分为列，以便我可以执行 groupby operations。

Answer 1

为了取代空格分隔的单词＆＃34;到你需要替换的单词列表中：

lines1 = new.map(lambda x: (x, ))

与

 lines1 = new.map(lambda line: line.split(' '))

我在我的机器上尝试过，并在执行以下

之后

df = sqlContext.createDataFrame(lines1)

创建了一个新的DF：

df.printSchema()
root
 |-- _1: string (nullable = true)
 |-- _2: string (nullable = true)
 |-- _3: string (nullable = true)
 |-- _4: string (nullable = true)

df.show()
+-------------+----+---+-----------------+
|           _1|  _2| _3|               _4|
+-------------+----+---+-----------------+
| 1472128348.0|HTTP|  -|  tr.vwt.gsf.asfh|
|1472237494.63|HTTP|  -|  tr.sdf.sff.sdfg|
|1473297794.26|HTTP|  -| tr.asfr.gdfg.sdf|
| 1474589345.0|HTTP|  -|tr.sdgf.gdfg.gdfg|
| 1472038475.0|HTTP|  -|  tr.sdf.csgn.sdf|
+-------------+----+---+-----------------+

您可以执行groupBy：

>>> df2 = df.groupBy("_1")
>>> type(df2)
<class 'pyspark.sql.group.GroupedData'>
>>>

要使用架构，您首先需要定义它：见：https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html

可以在下面找到架构示例（您需要添加字段，更新名称，键入以便将其用于您的案例）

from pyspark.sql.types import *
schema = StructType([
    StructField("F1", StringType(), True),
    StructField("F2", StringType(), True),
    StructField("F3", StringType(), True),
    StructField("F4", StringType(), True)])
df = sqlContext.createDataFrame(rdd, schema)

之后，您将能够使用架构运行它：

df = sqlContext.createDataFrame(lines1,schema)

现在，您将拥有这些字段的名称：

df.show()
+-------------+----+---+-----------------+
|           F1|  F2| F3|               F4|
+-------------+----+---+-----------------+
| 1472128348.0|HTTP|  -|  tr.vwt.gsf.asfh|
|1472237494.63|HTTP|  -|  tr.sdf.sff.sdfg|
|1473297794.26|HTTP|  -| tr.asfr.gdfg.sdf|
| 1474589345.0|HTTP|  -|tr.sdgf.gdfg.gdfg|
| 1472038475.0|HTTP|  -|  tr.sdf.csgn.sdf|
+-------------+----+---+-----------------+

为了将其保存为CSV，您需要使用＆＃34; to_pandas（）＆＃34;和＆＃34; to_csv（）＆＃34; （蟒蛇熊猫的一部分）

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.to_csv.html

df.toPandas().to_csv('mycsv.csv')

csv文件的内容：

cat mycsv.csv

,F1,F2,F3,F4
0,1472128348.0,HTTP,-,tr.vwt.gsf.asfh
1,1472237494.63,HTTP,-,tr.sdf.sff.sdfg
2,1473297794.26,HTTP,-,tr.asfr.gdfg.sdf
3,1474589345.0,HTTP,-,tr.sdgf.gdfg.gdfg
4,1472038475.0,HTTP,-,tr.sdf.csgn.sdf

请注意，您可以使用＆＃34; .cast（）＆＃34;来投射列，例如将F1转换为float类型 - 添加一个类型为float的新列，并删除旧列）

df = df.withColumn("F1float", df["F1"].cast("float")).drop("F1")

如何将spark数据输出到具有单独列的csv文件？

1 个答案: