使用自定义列和记录分隔符读取 pyspark 中的文件

Question

在 pyspark 中读取 csv 文件时，有什么方法可以使用自定义记录分隔符。在我的文件中，记录由 ** 而不是换行符分隔。将 csv 读入 PySpark 数据帧时，有什么方法可以使用此自定义行/记录分隔符？我的列分隔符也是';'下面的代码正确获取了列，但它只计为一行

from pyspark import SparkContext 
sc =  SparkSession.builder.appName('temp').getOrCreate()
df = sc.read.format('csv').option("header", "false").option("delimiter", ';').option("inferSchema", "true").load("some-file-on-s3")

Answer 1

我会将它作为纯文本文件读取到 rdd 中，然后在作为换行符的字符上拆分。然后将其转换为数据框 像这样

rdd1= (sc
       .textFile("/jupyter/nfs/test.txt")
       .flatMap(lambda line: line.split("**"))
       .map(lambda x: x.split(";"))
      )
df1=rdd1.toDF(["a","b","c"])
df1.show()

+---+---+---+
|  a|  b|  c|
+---+---+---+
| a1| b1| c1|
| a2| b2| c2|
| a3| b2| c3|
+---+---+---+

或者如果这样

rdd2= (sc
       .textFile("/jupyter/nfs/test.txt")
       .flatMap(lambda line: line.split("**"))
       .map(lambda x: [x])
      )
df2=(rdd2
     .toDF(["abc"])
     .withColumn("a",f.split(f.col("abc"),";")[0])
     .withColumn("b",f.split(f.col("abc"),";")[1])
     .withColumn("c",f.split(f.col("abc"),";")[2])
     .drop("abc")
    )
df2.show()

+---+---+---+
|  a|  b|  c|
+---+---+---+
| a1| b1| c1|
| a2| b2| c2|
| a3| b2| c3|
+---+---+---+

test.txt 的样子

a1;b1;c1**a2;b2;c2**a3;b2;c3