Question

我知道如何使用spark-csv（https://github.com/databricks/spark-csv）将csv文件读入spark，但我已经将csv文件表示为字符串，并希望将此字符串直接转换为dataframe。这可能吗？

Answer 1

更新：从Spark 2.2.x开始 最后有一种使用数据集的正确方法。

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = SparkSession.builder().appName("CsvExample").master("local").getOrCreate()

import spark.implicits._
val csvData: Dataset[String] = spark.sparkContext.parallelize(
  """
    |id, date, timedump
    |1, "2014/01/01 23:00:01",1499959917383
    |2, "2014/11/31 12:40:32",1198138008843
  """.stripMargin.lines.toList).toDS()

val frame = spark.read.option("header", true).option("inferSchema",true).csv(csvData)
frame.show()
frame.printSchema()

旧火花版本

实际上你可以，虽然它正在使用库内部而不是广泛宣传。只需创建并使用您自己的CsvParser实例即可。示例适用于我在spark 1.6.0和spark-csv_2.10-1.4.0下面的

    import com.databricks.spark.csv.CsvParser

val csvData = """
|userid,organizationid,userfirstname,usermiddlename,userlastname,usertitle
|1,1,user1,m1,l1,mr
|2,2,user2,m2,l2,mr
|3,3,user3,m3,l3,mr
|""".stripMargin
val rdd = sc.parallelize(csvData.lines.toList)
val csvParser = new CsvParser()
  .withUseHeader(true)
  .withInferSchema(true)


val csvDataFrame: DataFrame = csvParser.csvRdd(sqlContext, rdd)

Answer 2

您可以使用以下方法将字符串解析为csv，例如scala-csv：

val myCSVdata : Array[List[String]] = myCSVString.split('\n').flatMap(CSVParser.parseLine(_))

在这里，您可以进行更多处理，数据清理，验证每行都能很好地解析并具有相同数量的字段等等。

然后，您可以将其设为RDD条记录：

val myCSVRDD : RDD[List[String]] = sparkContext.parallelize(msCSVdata)

在这里，您可以将您的字符串列表按到案例类中，以更好地反映您的csv数据字段。你应该从这个例子中Person的创作中获得灵感：

https://spark.apache.org/docs/latest/sql-programming-guide.html#inferring-the-schema-using-reflection

我省略了这一步。

然后您可以转换为DataFrame：

import spark.implicits._ myCSVDataframe = myCSVRDD.toDF()

Answer 3

接受的回答在spark 2.2.0中对我不起作用，但引导我到csvData.lines.toList所需的内容

val fileUrl = getClass.getResource(s"/file_in_resources.csv")
val stream = fileUrl.getContent.asInstanceOf[InputStream]
val streamString = Source.fromInputStream(stream).mkString

val csvList = streamString.lines.toList

spark.read
  .option("header", "true")
  .option("inferSchema", "true")
  .csv(csvList.toDS())
  .as[SomeCaseClass]

我可以使用spark-csv将表示为字符串的CSV读入Apache Spark

3 个答案: