Question

我正在使用下面的csv文件

"age;""job"";""marital"""
"58;""management"";""married"""
"44;""technician"";""single"""

由于额外的引号，spark.read.csv不会提供干净的列。所以我想到使用spark.read.textFile，它给出了Dataset [String]。我使用下面的代码删除引号并拆分它们。

case class MyCaseClass(age: String, job: String, marital: String)
val inputDS = spark.read.textFile(inpPath)
val cleanDS = inputDS.map(_.replaceAll(""""""", "").split(";"))
val seperatedDS = cleanDS.as[MyCaseClass] //fails

有没有办法实现这种数据集转换或分割成多列的更好方法？目前我正在使用RDD完成工作，但想知道数据集/数据帧的方式。

Answer 1

您可以从每个分割线构建MyCaseClass的记录，以便拥有RDD[MyCaseClass]，然后您可以直接将其转换为数据框：

val cleanDS = inputDS.map(line => {
  val fields = line.replaceAll("\"", "").split(";")
  MyCaseClass(fields(0), fields(1), fields(2))
})

cleanDS
// res37: org.apache.spark.sql.Dataset[MyCaseClass] = [age: string, job: string ... 1 more field]

cleanDS.toDF.show
+---+----------+-------+
|age|       job|marital|

+---+----------+-------+
|age|       job|marital|
| 58|management|married|
| 44|technician| single|
+---+----------+-------+

将数据集[Array [String]]转换为Dataset [MyCaseClass]

1 个答案: