Question

我正在尝试将CSV文件转换为镶木地板，我正在使用Spark来实现这一目标。

SparkSession spark = SparkSession
    .builder()
    .appName(appName)
    .config("spark.master", master)
    .getOrCreate();

Dataset<Row> logFile = spark.read().csv("log_file.csv");
logFile.write().parquet("log_file.parquet");

现在问题是我没有定义架构，列看起来像这样（在spark中使用printSchema（）显示输出）

root
 |-- _c0: string (nullable = true)
 |-- _c1: string (nullable = true)
 |-- _c2: string (nullable = true)
 ....

csv在第一行有名字，但是他们被忽略了我猜，问题是只有几列是字符串，我也有整数和日期。

我只使用Spark，没有avro或其他任何基本上（从未使用过avro）。

我有什么选择来定义架构以及如何？如果我需要以另一种方式编写镶木地板文件，那么只要它是一个快速简单的解决方案就没有问题。

（我使用spark standalone进行测试/不知道scala）

Answer 1

尝试使用.option（＆＃34; inferschema＆＃34;，＆＃34; true＆＃34;）现有Spark-csv包。这将自动从数据中推断出架构。

您还可以使用结构类型为数据定义自定义架构，并使用.schema(schema_name)根据自定义架构进行读取。

val sqlContext = new SQLContext(sc)
val customSchema = StructType(Array(
    StructField("year", IntegerType, true),
    StructField("make", StringType, true),
    StructField("model", StringType, true),
    StructField("comment", StringType, true),
    StructField("blank", StringType, true)))

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true") // Use first line of all files as header
    .schema(customSchema)
    .load("cars.csv")

Parquet架构和Spark

1 个答案: