将带有各种定界符的 Spark CSV 放入数据集中

Question

我有两个 CSV 文件，我正在使用带有 Java 的 spark 进行聚合。这些文件有不同的分隔符。

file1.dat:

011!345!Ireland

files2.dat:

022Ç486ÇBrazil

我使用的代码：

Dataset<Row> people = spark.read().format("csv").option("header", "false").option("delimeter", "\u00C7").option("delimeter", "!").load(logFile);

输出：

Error:Cannot resolve column name

如果我删除一个分隔符：

Dataset<Row> people = spark.read().format("csv").option("header", "false").option("delimeter", "\u00C7").load(logFile);

输出：

Sno|code|Country
null|null|null 
022|486|Brazil

有没有办法做到这一点？ 这两个文件可以聚合在同一个 spark 代码中吗？

Answer 1

您不能同时使用多个分隔符。

相反，分别读取文件并使用 union (doc) 将它们合并在一起。例如：

Dataset<Row> people1 = spark.read()
  .option("header", "false")
  .option("delimeter", "!")
  .csv(logFile1);
Dataset<Row> people2 = spark.read()
  .option("header", "false")
  .option("delimeter", "\u00C7")
  .csv(logFile2);

Dataset<Row> people = people1.union(people2);