从Pyspark保存HDFS中的文件

时间:2017-06-10 01:32:29

标签: hadoop pyspark hdfs spark-dataframe

我在Hive中有一个空表我的意思是该表中没有记录。

使用此空表我在data frame

中创建了pyspark
df = sqlContext.table("testing.123_test")

我已将此data frame注册为

中的临时表
df.registerTempTable('mytempTable')

date=datetime.now().strftime('%Y-%m-%d %H:%M:%S')

在此表中,我有一个名为id的列。

现在我想查询临时表,如下所示

min_id = sqlContext.sql("select nvl(min(id),0) as minval from mytempTable").collect()[0].asDict()['minval']

max_id = sqlContext.sql("select nvl(max(id),0) as maxval from mytempTable").collect()[0].asDict()['maxval']

现在我要将datemin_idmax_id保存到HDFS

中的文件中

我做了如下:

from pyspark.sql import functions as f

(sqlContext.table("myTempTable").select(f.concat_ws(",", f.first(f.lit(date)), f.min("id"), f.max("id"))).coalesce(1).write.format("text").mode("append").save("/tmp/fooo"))

现在,当我在HDFS中检查文件时,它会显示所有NULL值。

HDFS中的文件输出低于。

NULL,NULL,NULL

我想要的是

Date,0,0

Here date is the current timestamp

我如何实现我想要的目标。

1 个答案:

答案 0 :(得分:0)

这是在scala中,但您应该可以轻松地将其复制到Python。 这里需要的功能是na.fill功能。您必须在下面的代码中用Python词典替换Scala Maps:

这就是你的DF的样子:

scala> nullDF.show
+----+----+----+
|date|   x|   y|
+----+----+----+
|null|null|null|
+----+----+----+

// You have already done this using Python's datetime functions
val format = new java.text.SimpleDateFormat("dd/MM/YYYY HH:mm:ss")
val curr_timestamp = format.format(new java.util.Date())

//Use na fill to replace null values
//Column names as keys in map
//And values are what you want to replace NULL with

val df = nullDF.na.fill(scala.collection.immutable.Map(
         "date" -> ) ,
         "x" -> "0" ,
         "y" -> "0" ) )

这应该给你

+-------------------+---+---+
|               date|  x|  y|
+-------------------+---+---+
|10/06/2017 12:10:20|  0|  0|
+-------------------+---+---+