sparklyr：跳过文本文件的第一行

Question

我想跳过（删除）文本文件的前两行：据我所知，使用 sparklyr 方法 spark_read_csv 是不可能的。有一些解决方法可以解决这个简单的问题吗？

我知道 sparklyr extension 的存在，但我正在寻找一种 "more" 标准方法来实现我的目标。

Answer 1

您可以使用自定义 reader 和版本 1.3.0 中引入的函数 spark_reader。 API reference.

让我们看一个例子。假设您有 2 个文件：

sample1.csv 包含：

# file 1 skip line 1
# file 1 skip line 2
header1,header2,header3
row1col1,row1col2,1
row2col1,row2col2,1
row3col1,row3col2,1

sample2.csv 包含：

# file 2 skip line 1
# file 2 skip line 2
header1,header2,header3
row1col1,row1col2,2
row2col1,row2col2,2
row3col1,row3col2,2

以下代码从本地文件系统读取文件，但同样适用于 HDFS 源。

library(sparklyr)
library(dplyr)

sc <- spark_connect(master = "local")

paths <- paste("file:///", 
               list.files(getwd(), pattern = "sample\d", full.names = TRUE), 
               sep = "")
paths

路径必须是绝对路径，在我的示例中："file:///C:/Users/erodriguez/Documents/sample1.csv" ...。然后使用数据类型定义模式。 custom_csv_reader 是 reader 函数，它获取 URI 和 returns 数据帧。 reader 任务将分布在 Spark 工作节点上。注意 read.csv 调用有参数 skip = 2 来删除前两行。

schema <- list(name1 = "character", name2 = "character", file = "integer")

custom_csv_reader <- function(path) {
  read.csv(path, skip = 2, header = TRUE, stringsAsFactors = FALSE)
}

data <- spark_read(sc, path = paths, reader = custom_csv_reader, columns = schema)

data

结果：

# Source: spark<?> [?? x 3]
  name1    name2     file
  <chr>    <chr>    <int>
1 row1col1 row1col2     1
2 row2col1 row2col2     1
3 row3col1 row3col2     1
4 row1col1 row1col2     2
5 row2col1 row2col2     2
6 row3col1 row3col2     2

sparklyr：跳过文本文件的第一行

sparklyr: skip first lines of text files

csv

r

apache-spark

sparklyr