Question

我有一个csv文件[1]，我想直接加载到数据集中。问题是我总是遇到像

这样的错误

org.apache.spark.sql.AnalysisException: Cannot up cast `probability` from string to float as it may truncate
The type path of the target object is:
- field (class: "scala.Float", name: "probability")
- root class: "TFPredictionFormat"
You can either add an explicit cast to the input data or choose a higher precision type of the field in the target object;

此外，特别是phrases字段（检查案例类[2]），它得到

org.apache.spark.sql.AnalysisException: cannot resolve '`phrases`' due to data type mismatch: cannot cast StringType to ArrayType(StringType,true);

如果我将我的case类[2]中的所有字段定义为String类型，那么一切正常，但这不是我想要的。有没有一种简单的方法可以做到[3]？

参考

[1]一个示例行

B017NX63A2,Merrell,"['merrell_for_men', 'merrell_mens_shoes', 'merrel']",merrell_shoes,0.0806054356579781

[2]我的代码片段如下

import spark.implicits._

val INPUT_TF = "<SOME_URI>/my_file.csv"

final case class TFFormat (
    doc_id: String,
    brand: String,
    phrases: Seq[String],
    prediction: String,
    probability: Float
)

val ds = sqlContext.read
.option("header", "true")
.option("charset", "UTF8")
.csv(INPUT_TF)
.as[TFFormat]

ds.take(1).map(println)

[3]我已经找到了方法，首先在DataFrame级别定义列并将事物转换为数据集（如here或here或here）但我是几乎可以肯定，这不是应该做的事情。我也很确定编码器可能是答案，但我不知道如何

Answer 1

TL; DR 使用csv输入转换标准DataFrame操作是可行的方法。如果你想避免使用具有表现力的输入格式（Parquet甚至是JSON）。

通常，要转换为静态类型数据集的数据必须已经是正确的类型。最有效的方法是为schema读者提供csv参数：

val schema: StructType = ???
val ds = spark.read
  .option("header", "true")
  .schema(schema)
  .csv(path)
  .as[T]

其中schema可以通过反射来推断：

import org.apache.spark.sql.catalyst.ScalaReflection
 import org.apache.spark.sql.types.StructType

val schema = ScalaReflection.schemaFor[T].dataType.asInstanceOf[StructType]

不幸的是，它不适用于您的数据和类，因为csv读者不支持ArrayType（但它适用于像FloatType这样的原子类型，因此您必须使用困难的方式。一个天真的解决方案可以表达如下：

import org.apache.spark.sql.functions._

val df: DataFrame = ???  // Raw data

df
  .withColumn("probability", $"probability".cast("float"))
  .withColumn("phrases",
    split(regexp_replace($"phrases", "[\\['\\]]", ""), ","))
  .as[TFFormat]

但根据phrases的内容，您可能需要更复杂的内容。

如何将csv直接加载到Spark数据集中？

1 个答案: