如何从RDD中的所有文件中删除标题,其中RDD = sc.textFile(" s3n://bucket/*.csv")?

时间:2015-04-02 18:36:13

标签: csv amazon-s3 header apache-spark rdd

我正在尝试考虑最好的方法,但是,我无法想到一种方法,不包括将所有文件中的标头读入数组,然后从这些标头中过滤RDD。

有更简单的方法吗?

注意:我正在读取S3存储桶中的所有csv文件,并且所有这些文件都有不同的标题。

1 个答案:

答案 0 :(得分:5)

一种选择是使用SparkSQL,它可以加载CSV并忽略标题。看一看: https://github.com/databricks/spark-csv

  

header:当设置为true时,第一行文件将用于命名列,不会包含在数据中。所有类型都将被假定为字符串。默认值为false。