我可以使用 spark-csv 将表示为字符串的 CSV 读取到 Apache Spark 中吗

Question

我知道如何使用 spark-csv (https://github.com/databricks/spark-csv) 将 csv 文件读入 spark，但我已经将 csv 文件表示为字符串，并且想将此字符串直接转换为数据帧。这可能吗？

Answer 1

您可以使用例如将字符串解析为 csv scala-csv:

val myCSVdata : Array[List[String]] = myCSVString.split('\n').flatMap(CSVParser.parseLine(_))

在这里你可以做更多的处理，数据清理，验证每一行是否解析良好并且具有相同的字段数等......

然后您可以将其设为 RDD 条记录：

val myCSVRDD : RDD[List[String]] = sparkContext.parallelize(msCSVdata)

在这里您可以将您的字符串列表整理成一个案例 class，以更好地反映您的 csv 数据的字段。你应该从这个例子中 Persons 的创作中得到一些灵感：

https://spark.apache.org/docs/latest/sql-programming-guide.html#inferring-the-schema-using-reflection

我省略了这一步。

然后您可以转换为 DataFrame：

import spark.implicits._ myCSVDataframe = myCSVRDD.toDF()

Answer 2

更新：从 Spark 2 开始。2.x 终于有了使用 Dataset 的正确方法。

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = SparkSession.builder().appName("CsvExample").master("local").getOrCreate()

import spark.implicits._
val csvData: Dataset[String] = spark.sparkContext.parallelize(
  """
    |id, date, timedump
    |1, "2014/01/01 23:00:01",1499959917383
    |2, "2014/11/31 12:40:32",1198138008843
  """.stripMargin.lines.toList).toDS()

val frame = spark.read.option("header", true).option("inferSchema",true).csv(csvData)
frame.show()
frame.printSchema()

旧的 spark 版本

实际上你可以，尽管它使用的是库内部结构并且没有广泛宣传。只需创建并使用您自己的 CsvParser 实例。适用于 spark 1.6.0 和 spark-csv_2.10-1.4.0 below

的示例

    import com.databricks.spark.csv.CsvParser

val csvData = """
|userid,organizationid,userfirstname,usermiddlename,userlastname,usertitle
|1,1,user1,m1,l1,mr
|2,2,user2,m2,l2,mr
|3,3,user3,m3,l3,mr
|""".stripMargin
val rdd = sc.parallelize(csvData.lines.toList)
val csvParser = new CsvParser()
  .withUseHeader(true)
  .withInferSchema(true)


val csvDataFrame: DataFrame = csvParser.csvRdd(sqlContext, rdd)

Answer 3

接受的答案在 spark 2.2.0 中对我不起作用，但通过 csvData.lines.toList

引导我找到我需要的东西

val fileUrl = getClass.getResource(s"/file_in_resources.csv")
val stream = fileUrl.getContent.asInstanceOf[InputStream]
val streamString = Source.fromInputStream(stream).mkString

val csvList = streamString.lines.toList

spark.read
  .option("header", "true")
  .option("inferSchema", "true")
  .csv(csvList.toDS())
  .as[SomeCaseClass]

我可以使用 spark-csv 将表示为字符串的 CSV 读取到 Apache Spark 中吗

Can I read a CSV represented as a string into Apache Spark using spark-csv

apache-spark

apache-spark-sql

spark-csv