Question

如果我有压缩csvs形式的海量数据，如何将其组合到单个csv文件中（压缩输出与否无关紧要）？

我正在将其读入spark数据帧中，但是随后我被困在如何连接pyspark数据帧中。

下面是我的代码，它运行一个循环，并希望为每次循环运行附加Dataframe：

        schema=StructType([])
        result = spark.createDataFrame(sc.emptyRDD(), schema)
        for day in range(1,31):
            day_str = str(day) if day>=10 else "0"+str(day)
            print 'Ingesting %s' % day_str
            df = spark.read.format("csv").option("header", "false").option("delimiter", "|").option("inferSchema", "true").load("s3a://key/201811%s" % (day_str))
            result = result.unionAll(df)

        result.write.save("s3a://key/my_result.csv", format='csv')

这给了我错误AnalysisException: u"Union can only be performed on tables with the same number of columns, but the first table has 0 columns and the second table has 1 columns;;\n'Union\n:- LogicalRDD\n+- Relation[_c0#75] csv\n"。有人可以帮我怎么做吗？

Answer 1

这对我有用：

result=spark.createDataFrame(sc.emptyRDD(), schema_mw)

for day in range(1,31):
    day_str = str(day) if day>=10 else "0"+str(day)
    print 'Ingesting %s' % day_str

    df = spark.read.format("csv").option("header", "false").option("delimiter", ",").schema(schema_mw).load("s3a://bucket/201811%s" % (day_str))

    if result:
        result = result.union(df)
    else:
        result = df
result.repartition(1).write.save("s3a://bucket/key-Compiled", format='csv', header=False)

这有效，但是，当我尝试在最后一步中将标头加载为true时，标头存储为一行。我不确定如何将这些标头添加为标头，而不是添加为行。

Pyspark：在python中将所有压缩的csv合并为一个csv

1 个答案: