Question

我使用Spark 1.6.0和Scala。

我想将DataFrame保存为压缩CSV格式。

以下是我到目前为止（假设我已经df和sc为SparkContext）：

//set the conf to the codec I want
sc.getConf.set("spark.hadoop.mapred.output.compress", "true")
sc.getConf.set("spark.hadoop.mapred.output.compression.codec", "true")
sc.getConf.set("spark.hadoop.mapred.output.compression.codec", "org.apache.hadoop.io.compress.GzipCodec")
sc.getConf.set("spark.hadoop.mapred.output.compression.type", "BLOCK")

df.write
  .format("com.databricks.spark.csv")
  .save(my_directory)

输出不是gz格式。

Answer 1

此代码适用于Spark 2.1，其中.codec不可用。

df.write
  .format("com.databricks.spark.csv")
  .option("codec", "org.apache.hadoop.io.compress.GzipCodec")
  .save(my_directory)

对于Spark 2.2，您可以使用此处所述的df.write.csv(...,codec="gzip")选项：https://spark.apache.org/docs/latest/api/python/pyspark.sql.html?highlight=codec

Answer 2

使用Spark 2.0+，这变得更简单了：

df.write.csv("path", compression="gzip")

您不再需要外部Databricks CSV软件包了。

csv()作者支持许多方便的选项。例如：

sep：设置分隔符。
quote：是否以及如何引用值。
header：是否包含标题行。

除了gzip之外，您还可以使用许多其他压缩编解码器：

bzip2
lz4
snappy
deflate

csv()作者的完整Spark文档位于：Python / Scala

Answer 3

在spark-csv github上： https://github.com/databricks/spark-csv

人们可以读到：

codec：保存到文件时使用的压缩编解码器。应该是实现org.apache.hadoop.io.compress.CompressionCodec的类的完全限定名称，或者是一个不区分大小写的缩短名称（bzip2，gzip，lz4和snappy）。如果未指定编解码器，则默认为无压缩。

在你的情况下，这应该工作： df.write.format("com.databricks.spark.csv").codec("gzip")\ .save('my_directory/my_file.gzip')

Answer 4

使用标题编写CSV文件并将part-000文件重命名为.csv.gzip

DF.coalesce(1).write.format("com.databricks.spark.csv").mode("overwrite")
.option("header","true")
.option("codec",org.apache.hadoop.io.compress.GzipCodec").save(tempLocationFileName)

copyRename(tempLocationFileName, finalLocationFileName)

def copyRename(srcPath: String, dstPath: String): Unit =  {
  val hadoopConfig = new Configuration()
  val hdfs = FileSystem.get(hadoopConfig)
  FileUtil.copyMerge(hdfs, new Path(srcPath), hdfs, new Path(dstPath), true, hadoopConfig, null)
  // the "true" setting deletes the source files once they are merged into the new output
}

如果您不需要标题，则将其设置为false，您也不需要进行合并。写作也会更快。

如何将DataFrame保存为压缩（gzip）CSV？

4 个答案: