Sparkyr:跳过文本文件的第一行

您可以使用具有函数的自定义读取器 spark_reader 在版本中介绍 1.3.0 . API reference .

让我们看一个例子。假设您有2个文件:

sample1.csv

# file 1 skip line 1
# file 1 skip line 2
header1,header2,header3
row1col1,row1col2,1
row2col1,row2col2,1
row3col1,row3col2,1

sample2.csv 包含:

# file 2 skip line 1
# file 2 skip line 2
header1,header2,header3
row1col1,row1col2,2
row2col1,row2col2,2
row3col1,row3col2,2

以下代码从本地文件系统读取文件,但同样可以应用于HDFS源。

library(sparklyr)
library(dplyr)

sc <- spark_connect(master = "local")

paths <- paste("file:///", 
               list.files(getwd(), pattern = "sample\\d", full.names = TRUE), 
               sep = "")
paths

路径必须是绝对的,在我的示例中: "file:///C:/Users/erodriguez/Documents/sample1.csv" ... 然后用数据类型定义模式。这个 custom_csv_reader 是获取URI并返回数据帧的读取器函数。读取器任务将分布在Spark worker节点上。注意 read.csv 这个调用有一个参数 skip = 2 删除前两行。

schema <- list(name1 = "character", name2 = "character", file = "integer")

custom_csv_reader <- function(path) {
  read.csv(path, skip = 2, header = TRUE, stringsAsFactors = FALSE)
}

data <- spark_read(sc, path = paths, reader = custom_csv_reader, columns = schema)

data 

结果:

# Source: spark<?> [?? x 3]
  name1    name2     file
  <chr>    <chr>    <int>
1 row1col1 row1col2     1
2 row2col1 row2col2     1
3 row3col1 row3col2     1
4 row1col1 row1col2     2
5 row2col1 row2col2     2
6 row3col1 row3col2     2