从rdd转换为dataframe时索引超出范围

Question

我正在尝试将 spark RDD 转换为数据帧。虽然当我将 RDD 转换为数据帧时 RDD 很好，但我得到索引超出范围错误。

alarms = sc.textFile("hdfs://nanalyticsedge.com:8020/hdp/oneday.csv")
alarms = alarms.map(lambda line: line.split(","))
header = alarms.first()
alarms = alarms.filter(lambda line:line != header)
alarms = alarms.filter(lambda line: len(line)>1)
alarms_df = alarms.map(lambda line: Row(IDENTIFIER=line[0],SERIAL=line[1],NODE=line[2],NODEALIAS=line[3],MANAGER=line[4],AGENT=line[5],ALERTGROUP=line[6],ALERTKEY=line[7],SEVERITY=line[8],SUMMARY=line[9])).toDF()
alarms_df.take(100)

此处 alarms.count() 工作正常，而 alarms_df.count() 给出的索引超出范围。 是oracle导出的数据

从@Dikei的回答中我发现：

alarms = alarms.filter(lambda line: len(line) == 10)

给了我正确的 Dataframe 但为什么在导出数据库时 Dataframe 会丢失，我该如何防止它？

Answer 1

我认为问题在于您的某些行不包含 10 个元素。很容易检查，尝试更改

alarms = alarms.filter(lambda line: len(line)>1)

至

alarms = alarms.filter(lambda line: len(line) == 10)

Answer 2

没有提到索引的数据。尝试类似的方法，如果数组有超过 9 个打印第 10 个元素

myData.foreach { x => if(x.size.!=(9)){println(x(10))}  }

从rdd转换为dataframe时索引超出范围

Index out of range while converting from rdd to dataframe

apache-spark

pyspark-sql