spark-csv 包中的 inferSchema

Question

当 CSV 在 spark 中被读取为数据帧时，所有列都被读取为字符串。有没有办法得到列的实际类型？

我有以下 csv 文件

Name,Department,years_of_experience,DOB
Sam,Software,5,1990-10-10
Alex,Data Analytics,3,1992-10-10

我已经使用以下代码读取了 CSV

val df = sqlContext.
                  read.
                  format("com.databricks.spark.csv").
                  option("header", "true").
                  option("inferSchema", "true").
                  load(sampleAdDataS3Location)
df.schema

所有列都被读取为字符串。我希望列 years_of_experience 被读作 int 和 DOB 被读作日期

请注意，我已将选项 inferSchema 设置为 true。

我使用的是最新版本 (1.0.3) 的 spark-csv 包

我是不是漏掉了什么？

Answer 1

2015-07-30

最新版本居然是1.1.0, but it doesn't really matter since it looks like inferSchema is not included in the latest release。

2015-08-17

包的最新版本现在是 1.2.0（发布于 2015 年 8 月 6 日）并且模式推断按预期工作：

scala> df.printSchema
root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- DOB: string (nullable = true)

关于自动日期解析，我怀疑它是否会发生，或者至少在不提供额外元数据的情况下不会发生。

即使所有字段都遵循某种类似日期的格式，也无法确定给定字段是否应被解释为日期。因此，要么是缺少自动日期推断，要么是电子表格一团糟。更不用说时区问题了。

您终于可以轻松地手动解析日期字符串了：

sqlContext
  .sql("SELECT *, DATE(dob) as dob_d  FROM df")
  .drop("DOB")
  .printSchema

root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- dob_d: date (nullable = true)

所以这真的不是一个严重的问题。

2017-12-20:

内置的 csv 解析器可用，因为 Spark 2.0 支持日期和时间戳的模式推断 - 它使用两个选项：

timestampFormat 默认为 yyyy-MM-dd'T'HH:mm:ss.SSSXXX
dateFormat 默认为 yyyy-MM-dd

另见

spark-csv 包中的 inferSchema

inferSchema in spark-csv package

scala

apache-spark

apache-spark-sql

spark-csv