如何在 CSV 中使用双管道作为分隔符？

Question

Spark 1.5 和 Scala 2.10.6

我有一个使用“¦¦”作为分隔符的数据文件。我很难通过这个解析来创建一个数据框。可以使用多个分隔符来创建一个数据框吗？该代码适用于单个损坏的管道，但不适用于多个分隔符。

我的代码：

val customSchema_1 = StructType(Array(
    StructField("ID", StringType, true), 
    StructField("FILLER", StringType, true), 
    StructField("CODE", StringType, true)));

val df_1 = sqlContext.read
    .format("com.databricks.spark.csv")
    .schema(customSchema_1)
    .option("delimiter", "¦¦")
    .load("example.txt")

示例文件：

12345¦¦  ¦¦10

Answer 1

我遇到了这个问题并找到了一个很好的解决方案，我使用的是 spark 2.3，我觉得它应该适用于 spark 2.2+ 的所有版本，但尚未对其进行测试。它的工作方式是我用 tab 替换 || ，然后内置的 csv 可以采用 Dataset[String] 。我使用制表符是因为我的数据中有逗号。

var df = spark.sqlContext.read
  .option("header", "true")
  .option("inferSchema", "true")
  .option("delimiter", "\t")
  .csv(spark.sqlContext.read.textFile("filename")
      .map(line => line.split("\\|\\|").mkString("\t")))

希望这对其他人有所帮助。

编辑：

从 spark 3.0.1 开始，这是开箱即用的。

示例：

val ds = List("name||id", "foo||12", "brian||34", """"cray||name"||123""", "cray||name||123").toDS
ds: org.apache.spark.sql.Dataset[String] = [value: string]

val csv = spark.read.option("header", "true").option("inferSchema", "true").option("delimiter", "||").csv(ds)
csv: org.apache.spark.sql.DataFrame = [name: string, id: string]

csv.show
+----------+----+
|      name|  id|
+----------+----+
|       foo|  12|
|     brian|  34|
|cray||name| 123|
|      cray|name|
+----------+----+

Answer 2

所以这里发出的实际错误是：

java.lang.IllegalArgumentException: Delimiter cannot be more than one character: ¦¦

文档证实了这一限制，我检查了 Spark 2.0 csv 阅读器，它具有相同的要求。

鉴于所有这些，如果您的数据足够简单，您不会有包含 ¦¦ 的条目，我会像这样加载您的数据：

scala> :pa
// Entering paste mode (ctrl-D to finish)
val customSchema_1 = StructType(Array(
    StructField("ID", StringType, true), 
    StructField("FILLER", StringType, true), 
    StructField("CODE", StringType, true)));

// Exiting paste mode, now interpreting.
customSchema_1: org.apache.spark.sql.types.StructType = StructType(StructField(ID,StringType,true), StructField(FILLER,StringType,true), StructField(CODE,StringType,true))

scala> val rawData = sc.textFile("example.txt")
rawData: org.apache.spark.rdd.RDD[String] = example.txt MapPartitionsRDD[1] at textFile at <console>:31

scala> import org.apache.spark.sql.Row
import org.apache.spark.sql.Row

scala> val rowRDD = rawData.map(line => Row.fromSeq(line.split("¦¦")))
rowRDD: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[3] at map at <console>:34

scala> val df = sqlContext.createDataFrame(rowRDD, customSchema_1)
df: org.apache.spark.sql.DataFrame = [ID: string, FILLER: string, CODE: string]

scala> df.show
+-----+------+----+
|   ID|FILLER|CODE|
+-----+------+----+
|12345|      |  10|
+-----+------+----+

Answer 3

我们尝试通过以下方式读取具有自定义分隔符和自定义数据框列名的数据，

# Hold new column names saparately
headers ="JC_^!~_*>Year_^!~_*>Date_^!~_*>Service_Type^!~_*>KMs_Run^!~_*>

# '^!~_*>' This is field delimiter, so split string
head = headers.split("^!~_*>")

## Below command splits the S3 file with custom delimiter and converts into Dataframe
df = sc.textFile("s3://S3_Path/sample.txt").map(lambda x: x.split("^!~_*>")).toDF(head)

在 toDF() 中将 head 作为参数传递给从具有自定义分隔符的文本文件创建的数据框。

希望这会有所帮助。

Answer 4

从 Spark2.8 及以上版本开始支持多字符分隔符。 https://issues.apache.org/jira/browse/SPARK-24540

@lockwobr 提出的上述解决方案适用于 scala。在 Spark 2.8 以下工作并在 PySpark 中寻找解决方案的人可以参考以下内容

ratings_schema = StructType([
                                  StructField("user_id", StringType(), False)
                                , StructField("movie_id", StringType(), False)
                                , StructField("rating", StringType(), False)
                                , StructField("rating_timestamp", StringType(), True)
                                ])

    #movies_df = spark.read.csv("ratings.dat", header=False, sep="::", schema=ratings_schema)

    movies_df = spark.createDataFrame(
            spark.read.text("ratings.dat").rdd.map(lambda line: line[0].split("::")),
            ratings_schema)

我提供了一个示例，但您可以根据自己的逻辑对其进行修改。