代码之家 › 专栏 › 技术社区 › Powers

从CSV文件创建Spark数据集

apache-spark-dataset apache-spark

11

Powers · 技术社区 · 10 年前

我想从一个简单的CSV文件创建一个Spark数据集。以下是CSV文件的内容:

name,state,number_of_people,coolness_index
trenton,nj,"10","4.5"
bedford,ny,"20","3.3"
patterson,nj,"30","2.2"
camden,nj,"40","8.8"

以下是制作数据集的代码:

var location = "s3a://path_to_csv"

case class City(name: String, state: String, number_of_people: Long)

val cities = spark.read
  .option("header", "true")
  .option("charset", "UTF8")
  .option("delimiter",",")
  .csv(location)
  .as[City]

number_of_people

this blog post .

编码器急切地检查您的数据是否与预期模式匹配, 处理TB的数据。例如,如果我们尝试使用太小,以至于转换为对象会导致截断(即numStudents大于一个字节,该字节包含一个最大值255),Analyzer将发出AnalysisException。

我正在使用 Long 类型,所以我没想到会看到此错误消息。

2 回复 | 直到 9 年前

1

22

2 revs<br/>user6022341 10 年前

使用架构推断:

val cities = spark.read
  .option("inferSchema", "true")
  ...

或提供架构:

val cities = spark.read
  .schema(StructType(Array(StructField("name", StringType), ...)

或演员:

val cities = spark.read
  .option("header", "true")
  .csv(location)
  .withColumn("number_of_people", col("number_of_people").cast(LongType))
  .as[City]

2

3

Sparker0i 6 年前

您的案例类为 case class City(name: String, state: String, number_of_people: Long) , 你只需要一行

private val cityEncoder = Seq(City("", "", 0)).toDS

然后你编码

val cities = spark.read
.option("header", "true")
.option("charset", "UTF8")
.option("delimiter",",")
.csv(location)
.as[City]

就行了。

这是官方消息来源[ http://spark.apache.org/docs/latest/sql-programming-guide.html#overview][1]