pyspark 用字符串中的空格分割 csv - jupyter notebook

Question

我不想读取文本文件，我想对现有数据框执行操作

我的DataFrame只有一列文本，就像一个文件，"tabSeparator"。

这是一个结构化文件，有3列，分隔符是一个标签。 如果 列 有一个嵌入的 tab，它会用双引号括起来 ("xxx xx")

例子：

-------------------------
col_0
-------------------------
c11   c12    c13
c21 c22 c23   
"c 31" "c 32" c33

我正在使用这个正则表达式： 我正在使用 pyspark 和 Jupyter Notebook

myre = '([\\t ]?(\\".*?\\"|[^\\t ]+))'

df = textDF.withColumn("tmp", split( col("_c0"), myre))\
      .select(\
        col("tmp").getItem(0).alias("col_1"),\
        col("tmp").getItem(1).alias("col_2"),\
        col("tmp").getItem(2).alias("col_3")
      )

不确定问题出在正则表达式还是我解析文件的方式上，但我无法创建一个解析了 3 列的新 DataFrame，resulting on：

-------------------
|col_1|col_2|col_3|
------+-----+------
| c11 | c12 | c13 |
| c21 | c22 | c23 |  
| c 31| c 32| c 33|
-------------------

Answer 1

这不是 csv 阅读器无法处理的：

spark.read.option("delimiter", "\t").csv(path_to_file)

在 Spark 2.3 中，您可以在现有的分布式数据结构上完成：

df = spark.createDataFrame([
    'c11\tc12\tc13', 'c21\tc22\tc23', '"c\t31"\t"c\t32"\t"c\t33"'
], "string").toDF("col_0")


spark.read.option('delimiter', '\t').csv(df.rdd.map(lambda x: x.col_0)).show()


# +----+----+----+
# | _c0| _c1| _c2|
# +----+----+----+
# | c11| c12| c13|
# | c21| c22| c23|
# |c    31|c    32|c    33|
# +----+----+----+

带有csv 的UDF 可能在带有Python 3 的2.2 中工作，但它会很慢：

from pyspark.sql.functions import udf
import csv

@udf("struct<c0:string,c1:string,c2:string>")
def csv_(s):
    try:
        return next(csv.reader([s], delimiter="\t"))
    except: pass

df.select(csv_("col_0").alias("tmp")).select("tmp.*").show()

# +----+----+----+
# |  c0|  c1|  c2|
# +----+----+----+
# | c11| c12| c13|
# | c21| c22| c23|
# |c    31|c    32|c    33|
# +----+----+----+

Answer 2

显然你遇到的问题是有两个可能的分隔符。

使用 DataFrames，加载只有一个分隔符的文件非常简单，例如制表符分隔符，它们被视为 CSV 文件，但不是逗号，它只是一个制表符。

在这种特殊情况下，您会像这样阅读它们：

yourDF = spark.read.option("delimiter", "\t").csv('/tabSeparator/')

但如果你有多个，我相信唯一的选择是使用正则表达式。您也可以使用 RDD，编写更长的函数并使用 map。