Я хотел бы прочитать CSV в искре и преобразовать его как DataFrame и сохранить в HDFS с помощью df.registerTempTable("table_name")

Я пытался:

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

Ошибка, которую я получил:

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)

Какая команда предназначена для загрузки CSV-файла как DataFrame в Apache Spark?

spark-csv является частью основных функций Spark и не требует отдельной библиотеки. Так что вы могли бы просто сделать, например,

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

В scala (это работает для любого формата с указанием разделителя "," для csv, "\ t" для tsv и т. Д.)

val df = sqlContext.read.format("com.databricks.spark.csv") .option("delimiter", ",") .load("csvfile.csv")

Анализируйте CSV и загружайте как DataFrame / DataSet с помощью Spark 2.x

Сначала инициализируйте SparkSessionобъект по умолчанию, он будет доступен в оболочках какspark

val spark = org.apache.spark.sql.SparkSession.builder
        .master("local") # Change it as per your cluster
        .appName("Spark CSV Reader")
        .getOrCreate;

Используйте любой из следующих способов загрузить CSV как DataFrame/DataSet

1. Делайте это программно.

 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")

Обновление: добавление всех параметров отсюда на случай, если ссылка будет неработоспособна в будущем

• путь : расположение файлов. Подобно Spark, он может принимать стандартные выражения подстановки Hadoop.
• header : при значении true первая строка файлов будет использоваться для именования столбцов и не будет включена в данные. Все типы будут считаться строковыми. Значение по умолчанию неверно.
• delimiter : по умолчанию столбцы разделены с помощью, но в качестве разделителя можно установить любой символ
• цитата : по умолчанию используется кавычка ", но может быть установлен любой символ. Разделители внутри кавычек игнорируются.
• escape : по умолчанию это escape-символ, но его можно установить на любой символ. Экранированные кавычки игнорируются
• parserLib : по умолчанию это " commons ", для которого можно задать значение " univocity ", чтобы использовать эту библиотеку для анализа CSV.
• mode : определяет режим разбора. По умолчанию РАЗРЕШЕН. Возможные значения:
  • РАЗРЕШЕНИЕ : пытается проанализировать все строки: для недостающих токенов вставляются нули, а лишние токены игнорируются.
  • DROPMALFORMED : отбрасывает строки с меньшим или большим количеством токенов, чем ожидалось, или токены, не соответствующие схеме
  • FAILFAST : прерывается с RuntimeException при обнаружении какой-либо неправильной кодировки строки: по умолчанию используется 'UTF-8', но можно установить другие допустимые имена кодировки
• inferSchema : автоматически определяет типы столбцов. Он требует одного дополнительного прохода по данным и по умолчанию является ложным комментарием: пропускать строки, начинающиеся с этого символа. По умолчанию - «#». Отключите комментарии, установив для него значение null.
• nullValue : указывает строку, которая указывает на нулевое значение, любые поля, соответствующие этой строке, будут установлены как нулевые в DataFrame
• dateFormat : указывает строку, которая указывает формат даты, используемый при чтении дат или отметок времени. Пользовательские форматы даты соответствуют форматам в java.text.SimpleDateFormat. Это относится как к DateType, так и к TimestampType. По умолчанию это null, что означает попытку синтаксического анализа времени и даты с помощью java.sql.Timestamp.valueOf () и java.sql.Date.valueOf ().

2. Вы также можете использовать этот способ SQL

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

Зависимости :

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

Версия Spark <2.0

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

Зависимости:

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

Для него Hadoop - 2.6, а Spark - 1.6, и без пакета «databricks».

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)

Ниже описано, как читать CSV в Spark 2.0.

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)

В Java 1.8 Этот фрагмент кода отлично работает для чтения файлов CSV.

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>

Ява

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();

Есть много проблем с синтаксическим анализом файла CSV, он продолжает увеличиваться, если размер файла больше, если в значениях столбца есть неанглийские / escape / разделительные / другие символы, которые могут вызвать ошибки синтаксического анализа.

Тогда волшебство заключается в используемых опциях. Те, которые сработали для меня и, надеюсь, должны охватывать большинство крайних случаев, приведены в коде ниже:

### 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)

Надеюсь, это поможет. Для получения дополнительной информации см .: Использование PySpark 2 для чтения CSV с исходным кодом HTML.

Примечание. Приведенный выше код взят из Spark 2 API, где API для чтения файлов CSV поставляется в комплекте со встроенными пакетами Spark, которые можно установить.

Примечание. PySpark - это оболочка Python для Spark, которая использует тот же API, что и Scala / Java.

Пример Penny's Spark 2 - это способ сделать это в spark2. Есть еще одна хитрость: создайте этот заголовок, выполнив первоначальное сканирование данных, установив для параметра inferSchemaзначениеtrue

Итак, если предположить, что sparkвы настроили сеанс Spark , это операция по загрузке в индексный файл CSV всех изображений Landsat, которые amazon размещены на S3.

  /*
   * 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")

Плохая новость: это вызывает сканирование файла; для чего-то большого, такого как этот заархивированный файл CSV размером 20 + МБ, который может занять 30 секунд при длительном соединении. Имейте это в виду: вам лучше вручную кодировать схему после того, как вы ее получите.

(фрагмент кода Apache Software License 2.0 лицензирован, чтобы избежать всякой двусмысленности; что-то, что я сделал в качестве демонстрационного / интеграционного теста интеграции S3)

Если вы создаете jar со scala 2.11 и Apache 2.0 или выше.

Нет необходимости создавать объект sqlContextили sparkContext. Достаточно одного SparkSessionобъекта для удовлетворения всех потребностей.

Ниже приведен мой код, который отлично работает:

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()
  }
}

Если вы работаете в кластере, просто измените .master("local")на .master("yarn")при определении sparkBuilderобъекта.

Об этом говорится в Spark Doc: https://spark.apache.org/docs/2.2.0/sql-programming-guide.html

Добавьте следующие зависимости Spark в файл POM:

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>2.2.0</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    <version>2.2.0</version>
</dependency>

// Конфигурация Spark:

val spark = SparkSession.builder (). master ("local"). appName ("Образец приложения"). getOrCreate ()

// Чтение csv файла:

val df = spark.read.option ("заголовок", "истина"). csv ("FILE_PATH")

// Отображение вывода

df.show ()

В Spark 2.4+, если вы хотите загрузить csv из локального каталога, вы можете использовать 2 сеанса и загрузить их в куст. Первый сеанс должен быть создан с помощью master () config как «local [*]», а второй сеанс - с «yarn» и включенными Hive.

Ниже сработал для меня.

import org.apache.log4j.{Level, Logger}
import org.apache.spark._
import org.apache.spark.rdd._
import org.apache.spark.sql._

object testCSV { 

  def main(args: Array[String]) {
    Logger.getLogger("org").setLevel(Level.ERROR)
    val spark_local = SparkSession.builder().appName("CSV local files reader").master("local[*]").getOrCreate()

    import spark_local.implicits._
    spark_local.sql("SET").show(100,false)
    val local_path="/tmp/data/spend_diversity.csv"  // Local file
    val df_local = spark_local.read.format("csv").option("inferSchema","true").load("file://"+local_path) // "file://" is mandatory
    df_local.show(false)

    val spark = SparkSession.builder().appName("CSV HDFS").config("spark.sql.warehouse.dir", "/apps/hive/warehouse").enableHiveSupport().getOrCreate()

    import spark.implicits._
    spark.sql("SET").show(100,false)
    val df = df_local
    df.createOrReplaceTempView("lcsv")
    spark.sql(" drop table if exists work.local_csv ")
    spark.sql(" create table work.local_csv as select * from lcsv ")

   }

Когда побежал с spark2-submit --master "yarn" --conf spark.ui.enabled=false testCSV.jarним все прошло нормально и создал таблицу в улье.

Для чтения из относительного пути в системе используйте метод System.getProperty для получения текущего каталога и дальнейшего использования для загрузки файла с использованием относительного пути.

scala> val path = System.getProperty("user.dir").concat("/../2015-summary.csv")
scala> val csvDf = spark.read.option("inferSchema","true").option("header", "true").csv(path)
scala> csvDf.take(3)

искра: 2.4.4 Scala: 2.11.12

Формат файла по умолчанию - Parquet с spark.read .. и чтение файла csv, поэтому вы получаете исключение. Укажите формат csv с api, который вы пытаетесь использовать

Попробуйте это, если используете Spark 2.0+

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")

Примечание: - это работает для любого файла с разделителями. Просто используйте опцию («разделитель»,), чтобы изменить значение.

Надеюсь, это будет полезно.

Благодаря встроенному в Spark csv это можно легко сделать с помощью нового объекта SparkSession для Spark> 2.0.

val df = spark.
        read.
        option("inferSchema", "false").
        option("header","true").
        option("mode","DROPMALFORMED").
        option("delimiter", ";").
        schema(dataSchema).
        csv("/csv/file/dir/file.csv")
df.show()
df.printSchema()

Вы можете установить различные параметры.

• header: включает ли ваш файл строку заголовка вверху
• inferSchema: хотите ли вы автоматически выводить схему или нет. По умолчанию true. Я всегда предпочитаю предоставлять схему, чтобы гарантировать правильные типы данных.
• mode: режим синтаксического анализа, РАЗРЕШЕННЫЙ, ОТКАЗАННЫЙ или ОТКАЗНЫЙ
• delimiter: для указания разделителя по умолчанию используется запятая (',')