如何从 Spark 中的 CSV 文件中跳过 header?

How do I skip a header from CSV files in Spark?

假设我为 Spark 上下文提供了三个文件路径以供读取,并且每个文件在第一行中都有一个架构。我们如何跳过 headers 中的模式行?

val rdd=sc.textFile("file1,file2,file3")

现在,我们如何从这个 rdd 中跳过 header 行?

您可以单独加载每个文件,使用 file.zipWithIndex().filter(_._2 > 0) 过滤它们,然后联合所有文件 RDD。

如果文件数量太多,工会可以抛出WhosebugExeption

如果第一条记录中只有一行 header 行,那么最有效的过滤方法是:

rdd.mapPartitionsWithIndex {
  (idx, iter) => if (idx == 0) iter.drop(1) else iter 
}

当然,如果有很多文件里面有很多 header 行,这就没有用了。实际上,您可以合并三个这样创建的 RDD。

您也可以只写一个 filter,它只匹配可能是 header 的一行。这很简单,但效率较低。

Python相当于:

from itertools import islice

rdd.mapPartitionsWithIndex(
    lambda idx, it: islice(it, 1, None) if idx == 0 else it 
)
data = sc.textFile('path_to_data')
header = data.first() #extract header
data = data.filter(row => row != header)   #filter out header

或者,您可以使用 spark-csv 包(或者在 Spark 2.0 中,这或多或少地以 CSV 形式提供)。请注意,这需要每个文件上的 header(如您所愿):

schema = StructType([
        StructField('lat',DoubleType(),True),
        StructField('lng',DoubleType(),True)])

df = sqlContext.read.format('com.databricks.spark.csv'). \
     options(header='true',
             delimiter="\t",
             treatEmptyValuesAsNulls=True,
             mode="DROPMALFORMED").load(input_file,schema=schema)

在 Spark 2.0 中,CSV reader 内置于 Spark 中,因此您可以按如下方式轻松加载 CSV 文件:

spark.read.option("header","true").csv("filePath")

使用 PySpark 中的 filter() 方法过滤掉第一列名称以删除 header:

# Read file (change format for other file formats)
contentRDD = sc.textfile(<filepath>)

# Filter out first column of the header
filterDD = contentRDD.filter(lambda l: not l.startswith(<first column name>)

# Check your result
for i in filterDD.take(5) : print (i)

Spark 2.0 开始,您可以使用 SparkSession 将其作为单行程序完成:

val spark = SparkSession.builder.config(conf).getOrCreate()

然后正如@SandeepPurohit 所说:

val dataFrame = spark.read.format("CSV").option("header","true").load(csvfilePath)

我希望它解决了你的问题!

P.S: SparkSession 是 Spark 2.0 中引入的新入口点,可以在 spark_sql 包 [=24] 下找到=]

//Find header from the files lying in the directory
val fileNameHeader = sc.binaryFiles("E:\sss\*.txt",1).map{
    case (fileName, stream)=>
        val header = new BufferedReader(new InputStreamReader(stream.open())).readLine()
        (fileName, header)
}.collect().toMap

val fileNameHeaderBr = sc.broadcast(fileNameHeader)

// Now let's skip the header. mapPartition will ensure the header
// can only be the first line of the partition
sc.textFile("E:\sss\*.txt",1).mapPartitions(iter =>
    if(iter.hasNext){
        val firstLine = iter.next()
        println(s"Comparing with firstLine $firstLine")
        if(firstLine == fileNameHeaderBr.value.head._2)
            new WrappedIterator(null, iter)
        else
            new WrappedIterator(firstLine, iter)
    }
    else {
        iter
    }
).collect().foreach(println)

class WrappedIterator(firstLine:String,iter:Iterator[String]) extends Iterator[String]{
    var isFirstIteration = true
    override def hasNext: Boolean = {
        if (isFirstIteration && firstLine != null){
            true
        }
        else{
            iter.hasNext
        }
    }

    override def next(): String = {
        if (isFirstIteration){
            println(s"For the first time $firstLine")
            isFirstIteration = false
            if (firstLine != null){
                firstLine
            }
            else{
                println(s"Every time $firstLine")
                iter.next()
            }
        }
        else {
          iter.next()
        }
    }
}

对于 python 开发人员。我用spark2.0测试过。假设您要删除前 14 行。

sc = spark.sparkContext
lines = sc.textFile("s3://folder_location_of_csv/")
parts = lines.map(lambda l: l.split(","))
parts.zipWithIndex().filter(lambda tup: tup[1] > 14).map(lambda x:x[0])

withColumn 是 df 函数。因此,下面将不适用于上面使用的 RDD 样式。

parts.withColumn("index",monotonically_increasing_id()).filter(index > 14)

在 PySpark 中,您可以使用数据框并将 header 设置为 True:

df = spark.read.csv(dataPath, header=True)

这是您传递给 read() 命令的选项:

context = new org.apache.spark.sql.SQLContext(sc)

var data = context.read.option("header","true").csv("<path>")

2018 年工作 (Spark 2.3)

Python

df = spark.read
    .option("header", "true")
    .format("csv")
    .schema(myManualSchema)
    .load("mycsv.csv")

Scala

val myDf = spark.read
  .option("header", "true")
  .format("csv")
  .schema(myManualSchema)
  .load("mycsv.csv")

PD1: myManualSchema 是我写的一个预定义模式,你可以跳过那部分代码

2021 年更新 相同的代码适用于 Spark 3.x

df = spark.read
    .option("header", "true")
    .option("inferSchema", "true")
    .format("csv")
    .csv("mycsv.csv")