Apache Spark Dataframe - 从 CSV 文件的第 n 行加载数据

Question

我想处理一个巨大的订单 CSV 文件 (5GB)，文件开头有一些元数据行。 Header 列在第 4 行（从 "h," 开始）中表示，后面是另一个元数据行，描述了可选性。数据行以 "d,"

开头

m,Version,v1.0
m,Type,xx
m,<OtherMetaData>,<...>
h,Col1,Col2,Col3,Col4,Col5,.............,Col100
m,Mandatory,Optional,Optional,...........,Mandatory
d,Val1,Val2,Val3,Val4,Val5,.............,Val100

是否可以在加载文件时跳过指定行数并使用 DataSet 的 'inferSchema' 选项？

Dataset<Row> df = spark.read()
            .format("csv")
            .option("header", "true")
            .option("inferSchema", "true")
            .load("\home\user\data170326.csv");

或者我是否需要定义两个不同的数据集并使用 "except(Dataset other)" 来排除包含要忽略的行的数据集？

Answer 1

您可以尝试将 "comment" 选项设置为 "m"，有效地告诉 csv reader 跳过以 "m" 字符开头的行。

df = spark.read()
          .format("csv")
          .option("header", "true")
          .option("inferSchema", "true")
          .option("comment", "m")
          .load("\home\user\data170326.csv")

Apache Spark Dataframe - 从 CSV 文件的第 n 行加载数据

Apache Spark Dataframe - Load data from nth line of a CSV file

apache-spark

apache-spark-sql

spark-dataframe

apache-spark-2.0