Spark 数据帧保存在 hdfs 位置的单个文件中

Question

我有数据框，我想保存在 hdfs 位置上的单个文件中。

我在这里找到了解决方案Write single CSV file using spark-csv

df.coalesce(1)
    .write.format("com.databricks.spark.csv")
    .option("header", "true")
    .save("mydata.csv")

但是所有数据都将写入 mydata。csv/part-00000 我想成为 mydata.csv 文件。

这可能吗？

感谢任何帮助

Answer 1

无法使用标准 spark 库，但您可以使用 Hadoop API 管理文件系统 - 将输出保存在临时目录中，然后将文件移动到请求的路径。例如（在 pyspark 中）：

df.coalesce(1) \
    .write.format("com.databricks.spark.csv") \
    .option("header", "true") \
    .save("mydata.csv-temp")

from py4j.java_gateway import java_import
java_import(spark._jvm, 'org.apache.hadoop.fs.Path')

fs = spark._jvm.org.apache.hadoop.fs.FileSystem.get(spark._jsc.hadoopConfiguration())
file = fs.globStatus(sc._jvm.Path('mydata.csv-temp/part*'))[0].getPath().getName()
fs.rename(sc._jvm.Path('mydata.csv-temp/' + file), sc._jvm.Path('mydata.csv'))
fs.delete(sc._jvm.Path('mydata.csv-temp'), True)

Spark 数据帧保存在 hdfs 位置的单个文件中

Spark dataframe save in single file on hdfs location

csv

dataframe

apache-spark

databricks