web-dev-qa-db-ja.com

Spark - CSVファイルをDataFrameとしてロードしますか？

私は火花でCSVを読み、それをDataFrameとして変換し、df.registerTempTable("table_name")を使ってHDFSに保存したいと思います。

私が試してみました：

scala> val df = sqlContext.load("hdfs:///csv/file/dir/file.csv")

私が得たエラー：

Java.lang.RuntimeException: hdfs:///csv/file/dir/file.csv is not a Parquet file. expected magic number at tail [80, 65, 82, 49] but found [49, 59, 54, 10]
    at parquet.hadoop.ParquetFileReader.readFooter(ParquetFileReader.Java:418)
    at org.Apache.spark.sql.parquet.ParquetRelation2$MetadataCache$$anonfun$refresh$6.apply(newParquet.scala:277)
    at org.Apache.spark.sql.parquet.ParquetRelation2$MetadataCache$$anonfun$refresh$6.apply(newParquet.scala:276)
    at scala.collection.parallel.mutable.ParArray$Map.leaf(ParArray.scala:658)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply$mcV$sp(Tasks.scala:54)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply(Tasks.scala:53)
    at scala.collection.parallel.Task$$anonfun$tryLeaf$1.apply(Tasks.scala:53)
    at scala.collection.parallel.Task$class.tryLeaf(Tasks.scala:56)
    at scala.collection.parallel.mutable.ParArray$Map.tryLeaf(ParArray.scala:650)
    at scala.collection.parallel.AdaptiveWorkStealingTasks$WrappedTask$class.compute(Tasks.scala:165)
    at scala.collection.parallel.AdaptiveWorkStealingForkJoinTasks$WrappedTask.compute(Tasks.scala:514)
    at scala.concurrent.forkjoin.RecursiveAction.exec(RecursiveAction.Java:160)
    at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.Java:260)
    at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.Java:1339)
    at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.Java:1979)
    at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.Java:107)

Apache SparkでDataFrameとしてCSVファイルをロードするための正しいコマンドは何ですか？

scalaapache-sparkhadoopapache-spark-sqlhdfs
102
Donbeo

spark-csvはSparkのコア機能の一部であり、別のライブラリを必要としません。だからあなたはちょうど例えばできる

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

Scalaでは、（これはcsvの場合は "、"、tsvの場合は "\ t"など、フォーマットインの区切り文字に使用できます）val df = sqlContext.read.format("com.databricks.spark.csv") .option("delimiter", ",") .load("csvfile.csv")

123
Shyamendra Solanki

CSVを解析し、S​​park 2.xでDataFrame/DataSetとしてロードします。

最初にSparkSessionオブジェクトを初期化します デフォルトではsparkとしてシェルで利用可能になります

val spark = org.Apache.spark.sql.SparkSession.builder
        .master("local")
        .appName("Spark CSV Reader")
        .getOrCreate;

CSVをDataFrame/DataSetとして読み込むには、以下のいずれかの方法を使用します

1.プログラム的にそれをする

 val df = spark.read
         .format("csv")
         .option("header", "true") //first line in file has headers
         .option("mode", "DROPMALFORMED")
         .load("hdfs:///csv/file/dir/file.csv")

2. このSQLのやり方でもできる

 val df = spark.sql("SELECT * FROM csv.`hdfs:///csv/file/dir/file.csv`")

依存関係 ：

 "org.Apache.spark" % "spark-core_2.11" % 2.0.0,
 "org.Apache.spark" % "spark-sql_2.11" % 2.0.0,

スパークバージョン<2.0

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true") 
    .option("mode", "DROPMALFORMED")
    .load("csv/file/path");

依存関係

"org.Apache.spark" % "spark-sql_2.10" % 1.6.0,
"com.databricks" % "spark-csv_2.10" % 1.6.0,
"com.univocity" % "univocity-parsers" % LATEST,
141
mrsrinivas

それはHadoopが2.6でSparkが1.6で "databricks"パッケージなしのものです。

import org.Apache.spark.sql.types.{StructType,StructField,StringType,IntegerType};
import org.Apache.spark.sql.Row;

val csv = sc.textFile("/path/to/file.csv")
val rows = csv.map(line => line.split(",").map(_.trim))
val header = rows.first
val data = rows.filter(_(0) != header(0))
val rdd = data.map(row => Row(row(0),row(1).toInt))

val schema = new StructType()
    .add(StructField("id", StringType, true))
    .add(StructField("val", IntegerType, true))

val df = sqlContext.createDataFrame(rdd, schema)
13
Eric Yiwei Liu

Spark 2.0では、以下はCSVの読み方です。

val conf = new SparkConf().setMaster("local[2]").setAppName("my app")
val sc = new SparkContext(conf)
val sparkSession = SparkSession.builder
  .config(conf = conf)
  .appName("spark session example")
  .getOrCreate()

val path = "/Users/xxx/Downloads/usermsg.csv"
val base_df = sparkSession.read.option("header","true").
  csv(path)
11
penny chan

Java 1.8では、このコードはCSVファイルを読むために完璧に動作します。

POM.xml

<dependency>
    <groupId>org.Apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>2.0.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.Apache.spark/spark-sql_2.10 -->
<dependency>
    <groupId>org.Apache.spark</groupId>
    <artifactId>spark-sql_2.10</artifactId>
    <version>2.0.0</version>
</dependency>

<!-- https://mvnrepository.com/artifact/org.scala-lang/scala-library -->
<dependency>
    <groupId>org.scala-lang</groupId>
    <artifactId>scala-library</artifactId>
    <version>2.11.8</version>
</dependency>
<dependency>
    <groupId>com.databricks</groupId>
    <artifactId>spark-csv_2.10</artifactId>
    <version>1.4.0</version>
</dependency>

Java

SparkConf conf = new SparkConf().setAppName("JavaWordCount").setMaster("local");
// create Spark Context
SparkContext context = new SparkContext(conf);
// create spark Session
SparkSession sparkSession = new SparkSession(context);

Dataset<Row> df = sparkSession.read().format("com.databricks.spark.csv").option("header", true).option("inferSchema", true).load("hdfs://localhost:9000/usr/local/hadoop_data/loan_100.csv");

        //("hdfs://localhost:9000/usr/local/hadoop_data/loan_100.csv");
System.out.println("========== Print Schema ============");
df.printSchema();
System.out.println("========== Print Data ==============");
df.show();
System.out.println("========== Print title ==============");
df.select("title").show();
7
Rajeev Rathor

Penny's Spark 2の例はspark2でそれをする方法です。もう1つのトリックがあります。オプションinferSchemaをtrueに設定することによって、データの最初のスキャンを実行することによって、そのヘッダーを生成することです。

ここで、sparkがあなたが設定したスパークセッションであると仮定して、S3上のAmazonがホストするすべてのLandsatイメージのCSVインデックスファイルをロードする操作です。

  /*
   * Licensed to the Apache Software Foundation (ASF) under one or more
   * contributor license agreements.  See the NOTICE file distributed with
   * this work for additional information regarding copyright ownership.
   * The ASF licenses this file to You under the Apache License, Version 2.0
   * (the "License"); you may not use this file except in compliance with
   * the License.  You may obtain a copy of the License at
   *
   *    http://www.Apache.org/licenses/LICENSE-2.0
   *
   * Unless required by applicable law or agreed to in writing, software
   * distributed under the License is distributed on an "AS IS" BASIS,
   * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
   * See the License for the specific language governing permissions and
   * limitations under the License.
   */

val csvdata = spark.read.options(Map(
    "header" -> "true",
    "ignoreLeadingWhiteSpace" -> "true",
    "ignoreTrailingWhiteSpace" -> "true",
    "timestampFormat" -> "yyyy-MM-dd HH:mm:ss.SSSZZZ",
    "inferSchema" -> "true",
    "mode" -> "FAILFAST"))
  .csv("s3a://landsat-pds/scene_list.gz")

悪い知らせは、ファイルをスキャンすることです。この20 MB以上の圧縮CSVファイルのような大きなファイルでは、長距離の接続で30秒かかることがあります。それを心に留めておいてください：スキーマを手に入れたら、手動でスキーマをコーディングするほうが賢明です。

（コードスニペットApache Software License 2.0は、あいまいさを避けるためにライセンスされています。S3統合のデモ/統合テストとして行ったことです）

4
Steve Loughran

CSVファイルの解析には多くの課題があります。ファイルサイズが大きい場合、列の値に英語以外の文字、/ escape/separator、その他の文字が含まれていると、解析エラーの原因となる可能性があります。

その魔法は使用されるオプションにあります。私のために働いていて期待しているのは、Edgeのケースのほとんどをカバーするはずです。

### Create a Spark Session
spark = SparkSession.builder.master("local").appName("Classify Urls").getOrCreate()

### Note the options that are used. You may have to Tweak these in case of error
html_df = spark.read.csv(html_csv_file_path, 
                         header=True, 
                         multiLine=True, 
                         ignoreLeadingWhiteSpace=True, 
                         ignoreTrailingWhiteSpace=True, 
                         encoding="UTF-8",
                         sep=',',
                         quote='"', 
                         escape='"',
                         maxColumns=2,
                         inferSchema=True)

それが役立つことを願っています。 PySpark 2を使ってHTMLソースコードを持つCSVを読む

注：上記のコードはSpark 2 APIからのもので、そこではCSVファイル読み取りAPIがSparkインストール可能の組み込みパッケージにバンドルされています。

注意：PySparkはSparkのPythonラッパーであり、Scala/Javaと同じAPIを共有しています。

2
karthiks

CSVファイルをロードして結果をDataFrameとして返します。

df=sparksession.read.option("header", true).csv("file_name.csv")

Dataframeはファイルをcsvフォーマットとして扱いました。

0
Sri

あなたがscala 2.11とApache 2.0以上でjarファイルを作成している場合。

sqlContextまたはsparkContextオブジェクトを作成する必要はありません。 SparkSessionオブジェクトだけで、すべてのニーズに対する要件を満たすことができます。

以下は、うまく機能するmycodeです。

import org.Apache.spark.sql.{DataFrame, Row, SQLContext, SparkSession}
import org.Apache.log4j.{Level, LogManager, Logger}

object driver {

  def main(args: Array[String]) {

    val log = LogManager.getRootLogger

    log.info("**********JAR EXECUTION STARTED**********")

    val spark = SparkSession.builder().master("local").appName("ValidationFrameWork").getOrCreate()
    val df = spark.read.format("csv")
      .option("header", "true")
      .option("delimiter","|")
      .option("inferSchema","true")
      .load("d:/small_projects/spark/test.pos")
    df.show()
  }
}

sparkBuilderオブジェクトを定義しながら、クラスタで実行している場合は.master("local")を.master("yarn")に変更するだけです。

Spark Docはこれをカバーします： https://spark.Apache.org/docs/2.2.0/sql-programming-guide.html

0
swapnil shashank

spark 2.0+を使用している場合はこれを試してください

For non-hdfs file:
df = spark.read.csv("file:///csvfile.csv")


For hdfs file:
df = spark.read.csv("hdfs:///csvfile.csv")

For hdfs file (with different delimiter than comma:
df = spark.read.option("delimiter","|")csv("hdfs:///csvfile.csv")

注：-これは、区切り記号付きファイルに対して機能します。 option（“ delimiter”、）を使用して値を変更します。

これが役に立てば幸いです。

0
user11714872

デフォルトのファイル形式は、spark.readを持つParquetとcsvを使ったファイル形式で、例外が発生します。使用しようとしているAPIでcsv形式を指定します

0
tazak