Question

关于火花的大多数问题都用show作为代码示例，而没有生成数据框的代码，例如：

df.show()
+-------+--------+----------+
|USER_ID|location| timestamp|
+-------+--------+----------+
|      1|    1001|1265397099|
|      1|    6022|1275846679|
|      1|    1041|1265368299|
+-------+--------+----------+

如何在编程环境中重现此代码而无需手动重写？ pyspark在熊猫中有read_clipboard的等效值吗？

编辑

缺少将数据导入我的环境的功能，这对我帮助他人在Stackoverflow中使用pyspark构成了很大的障碍。

所以我的问题是：

最简单的方法是将show命令中粘贴在stackoverflow中的数据复制到我的环境中？

Answer 1

您始终可以使用以下功能：

from pyspark.sql.functions import *

def read_spark_output(file_path):
    step1 = spark.read \
             .option("header","true") \
             .option("inferSchema","true") \
             .option("delimiter","|") \
             .option("parserLib","UNIVOCITY") \
             .option("ignoreLeadingWhiteSpace","true") \
             .option("ignoreTrailingWhiteSpace","true") \
             .option("comment","+") \
             .csv("file://{}".format(file_path))
    # select not-null columns
    step2 = t.select([c for c in t.columns if not c.startswith("_")])
    # deal with 'null' string in column
    return step2.select(*[when(~col(col_name).eqNullSafe("null"), col(col_name)).alias(col_name) for col_name in step2.columns])

这是以下问题中给出的建议之一： How to make good reproducible Apache Spark examples 。

注释1：有时，在某些特殊情况下，由于某些原因或其他原因，这可能不适用，并且可能产生错误/问题，即Group by column "grp" and compress DataFrame - (take last not null value for each column ordering by column "ord")。所以请谨慎使用！

注释2 ：（免责声明），我不是代码的原始作者。感谢@MaxU提供的代码。我刚刚对其做了一些修改。

Answer 2

最新答案，但是我经常遇到同样的问题，因此为此https://github.com/ollik1/spark-clipboard

写了一个小实用程序

它基本上允许复制粘贴的数据帧显示字符串闪烁。要安装它，请添加jcenter依赖项com.github.ollik1:spark-clipboard_2.12:0.1和spark config .config("fs.clipboard.impl", "com.github.ollik1.clipboard.ClipboardFileSystem")之后，可以直接从系统剪贴板读取数据帧

val df = spark.read
  .format("com.github.ollik1.clipboard")
  .load("clipboard:///*")

，或者根据需要选择归档。自述文件中描述了安装细节和用法。

Answer 3

您始终可以将pandas中的数据作为pandas数据框读取，然后将其转换回spark数据框。不，与熊猫不同，pyspark中没有read_clipboard的直接等效项。

原因是Pandas数据帧大多是平面结构，因为Spark数据帧可以具有诸如struct，array等复杂结构，因为它具有各种各样的数据类型，并且这些数据类型不会出现在控制台输出中，所以这是不可能的从输出重新创建数据框。

Answer 4

您可以结合使用熊猫read_clipboard，并转换为pyspark数据框

from pyspark.sql.types import *

pdDF = pd.read_clipboard(sep=',', 
                       index_col=0, 
                       names=['USER_ID', 
                              'location',
                              'timestamp',
                              ])



mySchema = StructType([ StructField("USER_ID", StringType(), True)\
                       ,StructField("location", LongType(), True)\
                       ,StructField("timestamp", LongType(), True)])

#note: True (implies nullable allowed)


df = spark.createDataFrame(pdDF,schema=mySchema)

更新：

@terry真正想要的是将ASCII代码表复制到python，以下是例。当您将数据解析为python时，便可以转换为任何内容。

def parse(ascii_table):
    header = []
    data = []
    for line in filter(None, ascii_table.split('\n')):
        if '-+-' in line:
            continue
        if not header:
            header = filter(lambda x: x!='|', line.split())
            continue
        data.append(['']*len(header))
        splitted_line = filter(lambda x: x!='|', line.split())
        for i in range(len(splitted_line)):
            data[-1][i]=splitted_line[i]
    return header, data

更方便的方式来重现pyspark示例

编辑

4 个答案: