将数据框的架构保存在 S3 位置

Question

我使用以下命令从 S3 中的数据块中读取了镶木地板文件

df = sqlContext.read.parquet('s3://path/to/parquet/file')

我想读取数据框的架构，可以使用以下命令：

df_schema = df.schema.json()

但我无法将 df_schama 对象写入 S3 上的文件。 注意：我愿意不创建 json 文件。我只想将数据框的架构保存到 AWS S3 中的任何文件类型（可能是文本文件）。

我已经尝试如下编写 json 架构，

df_schema.write.csv("s3://path/to/file")

或

a.write.format('json').save('s3://path/to/file')

他们都给我以下错误：

AttributeError: 'str' object has no attribute 'write'

Answer 1

df.schema.json() 结果 string 对象和 string 对象将没有 .write 方法。

In RDD Api:

df_schema = df.schema.json()

并行化df_schema变量创建rdd，然后使用.saveAsTextFile方法将schema写入s3。

sc.parallelize([df_schema]).saveAsTextFile("s3://path/to/file")

（或）

In Dataframe Api:

from pyspark.sql import Row
df_schema = df.schema.json()
df_sch=sc.parallelize([Row(schema=df1)]).toDF()
df_sch.write.csv("s3://path/to/file")
df_sch.write.text("s3://path/to/file") //write as textfile

Answer 2

这是一个保存架构并将其应用于新 csv 数据的工作示例：

# funcs
from pyspark.sql.functions import *
from pyspark.sql.types import *

# example old df schema w/ long datatype
df = spark.range(10)
df.printSchema()
df.write.mode("overwrite").csv("old_schema")

root
 |-- id: long (nullable = false)

# example new df schema we will save w/ int datatype
df = df.select(col("id").cast("int"))
df.printSchema()

root
 |-- id: integer (nullable = false)

# get schema as json object
schema = df.schema.json()

# write/read schema to s3 as .txt
import json

with open('s3:/path/to/schema.txt', 'w') as F:  
    json.dump(schema, F)

with open('s3:/path/to/schema.txt', 'r') as F:  
    saved_schema = json.load(F)

# saved schema
saved_schema
'{"fields":[{"metadata":{},"name":"id","nullable":false,"type":"integer"}],"type":"struct"}'

# construct saved schema object
new_schema = StructType.fromJson(json.loads(saved_schema))

new_schema
StructType(List(StructField(id,IntegerType,false)))

# use saved schema to read csv files ... new df has int datatype and not long
new_df = spark.read.csv("old_schema", schema=new_schema)
new_df.printSchema()
root
 |-- id: integer (nullable = true)