我想在spark中逐行读取xls和xlsx(MS Excel)文件,就像我们为文本文件或其他方式一样?
我想使用spark来提高阅读大型xls文件(例如1 GB)的性能,这就是为什么我需要使用spark来读取部分文件,就像我们为文本文件所做的那样。
如何从spark中的excel文件中读取数据是否是逐行的?
我只想用flash来读取xls文件中的条目。
请建议。
感谢!!!
答案 0 :(得分:2)
spark
无法做到这一点。它并不意味着它。使用另一个库,例如Apache POI读取excel,然后将该数据作为文本提供。
答案 1 :(得分:1)
虽然这个问题有点陈旧,但我仍在回答这个问题。可能对其他人有用。 答案是肯定的,你可以用apache spark 2.x做到这一点。假设您要将包含3列的xls转换为数据集。
class Bean {
private String col1;
private String col2;
private Timestamp col3;
}
StructType structType= new StructType(new StructField[] {
new StructField("col1", DataTypes.StringType, true, Metadata.empty()),
new StructField("col2", DataTypes.StringType, true, Metadata.empty()),
new StructField("col3", DataTypes.TimestampType, true, Metadata.empty())
});
Dataset<Bean> ds = sparkSession.read().
schema(structType).
format("com.crealytics.spark.excel").
option("useHeader", true). // If the xls file has headers
option("timestampFormat", "yyyy-MM-dd HH:mm:ss"). // If you want to convert timestamp to a specific format
option("treatEmptyValuesAsNulls", "false").
option("inferSchema", "false").
option("addColorColumns", "false").
load("/home/user/test/sample.xls"). //path to xls or xlsx
as(Encoders.bean(Bean.class)); // Bean in which you want to convert the data, you can remove this line if Dataset<Row> is just fine for you
答案 2 :(得分:0)
您可以尝试使用HadoopOffice库来读取/写入带有Spark(https://github.com/ZuInnoTe/hadoopoffice/wiki)的Excel文件。它支持加密的Excel,链接的工作簿,按元数据过滤......
答案 3 :(得分:0)
这是我的工作方式。
在maven中添加依赖项
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.4.2</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.4.2</version>
</dependency>
<dependency>
<groupId>com.crealytics</groupId>
<artifactId>spark-excel_2.11</artifactId>
<version>0.11.1</version>
</dependency>
</dependencies>
我的主班
import org.apache.log4j.Level;
import org.apache.log4j.Logger;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
public class ReadExcelSheets {
public static void main(String[] args) {
//skip logging extras
Logger.getLogger("org").setLevel(Level.ERROR);
//build session
SparkSession spark = SparkSession
.builder()
.appName("Java Spark SQL Example")
.config("spark.master", "local")
.getOrCreate();
//read excel - change file name
Dataset<Row> df = spark.read()
.format("com.crealytics.spark.excel")
.option("useHeader", "true")
//.option("dataAddress", "'Sheet1'!A1:M1470") // optional when you want to read sheets where A1 first top cell and M1470 us very bottom left of sheet.
.load("datasets/test1.xlsx");
//show your data
df.show();
}
}