读取缺少列和随机列顺序的 csv 文件

Question

我有一个模式要应用于 Databricks 中的 csv 文件。 csv 文件可能包含 6 列（a、b、c、d、e、f），它们可以随机顺序出现在 csv 文件中。也可能会出现一列或多列丢失的情况。所以带有这些 headers 的 csv 文件是有效的

a,b,c,d,e,f
f,e,d,c,a,b
a,b,c
d,e,f

我可以创建自定义架构，但这不能处理不同的顺序，也不能处理缺失的列。它们是按顺序应用的。关于如何处理这个问题有什么想法吗？

customSchema = StructType() \
  .add("a", DoubleType(), True) \
  .add("b", DoubleType(), True) \
  .add("c", DoubleType(), True) \
  .add("d", DoubleType(), True) \
  .add("e", DoubleType(), True) \
  .add("f", DoubleType(), False)

 
data = sqlContext.read.format("csv") \
  .option("header", "true") \
  .option("delimiter", ",") \
  .schema(customSchema) \
  .load("*.csv")

Answer 1

您可以在不指定架构的情况下读取 csv 文件，然后按照您喜欢的方式调整数据框。在 scala 中，这将如下所示：

val df = spark.read.format("csv")
    .option("header", "true")
    .load("x.csv")

val cols = Seq("a", "b", "c", "d", "e", "f")

/* Here I select and cast the column if it exists. 
   I create a null column otherwise */
val shaped_df = df.select( cols.map(c=> 
    if(df.columns.contains(c)) 
        col(c).cast("double") 
    else 
        lit(null).cast("double").alias(c)
) :_* )

shaped_df.printSchema()

root
    |-- a: double (nullable = true)
    |-- b: double (nullable = true)
    |-- c: double (nullable = true)
    |-- d: double (nullable = true)
    |-- e: double (nullable = true)
    |-- f: double (nullable = true)

读取缺少列和随机列顺序的 csv 文件

Reading csv files with missing columns and random column order

csv

apache-spark

databricks