我想跳过(删除)文本文件的前两行:
据我所知,闪光方法spark_read_csv
无法实现这一点。有一些解决方法可以解决这个简单的问题吗?
我知道sparklyr extension的存在,但我正在寻找一个"更多"实现目标的标准方法。
答案 0 :(得分:1)
您可以使用带有 spark_reader
版本中引入的函数 1.3.0
的自定义阅读器。 API reference。
让我们看一个例子。假设您有 2 个文件:
sample1.csv
包含:
# file 1 skip line 1
# file 1 skip line 2
header1,header2,header3
row1col1,row1col2,1
row2col1,row2col2,1
row3col1,row3col2,1
sample2.csv
包含:
# file 2 skip line 1
# file 2 skip line 2
header1,header2,header3
row1col1,row1col2,2
row2col1,row2col2,2
row3col1,row3col2,2
以下代码从本地文件系统读取文件,但同样可以应用于 HDFS 源。
library(sparklyr)
library(dplyr)
sc <- spark_connect(master = "local")
paths <- paste("file:///",
list.files(getwd(), pattern = "sample\\d", full.names = TRUE),
sep = "")
paths
路径必须是绝对路径,在我的示例中:"file:///C:/Users/erodriguez/Documents/sample1.csv" ...
。然后使用数据类型定义模式。 custom_csv_reader
是读取器函数,它获取 URI 并返回数据帧。读取器任务将分布在 Spark 工作节点之间。请注意,read.csv
调用具有参数 skip = 2
以删除前两行。
schema <- list(name1 = "character", name2 = "character", file = "integer")
custom_csv_reader <- function(path) {
read.csv(path, skip = 2, header = TRUE, stringsAsFactors = FALSE)
}
data <- spark_read(sc, path = paths, reader = custom_csv_reader, columns = schema)
data
结果:
# Source: spark<?> [?? x 3]
name1 name2 file
<chr> <chr> <int>
1 row1col1 row1col2 1
2 row2col1 row2col2 1
3 row3col1 row3col2 1
4 row1col1 row1col2 2
5 row2col1 row2col2 2
6 row3col1 row3col2 2