如何在使用 PySpark 将 CSV 文件作为数据帧读取时跳过行？

Question

我有一个这样构成的 CSV 文件：

Header
Blank Row
"Col1","Col2"
"1,200","1,456"
"2,000","3,450"

我在阅读这个文件时遇到了两个问题。

1. 我想忽略标题并忽略空白行
2. 值中的逗号不是分隔符

这是我尝试过的：

df = sc.textFile("myFile.csv")\
              .map(lambda line: line.split(","))\ #Split By comma
              .filter(lambda line: len(line) == 2).collect() #This helped me ignore the first two rows

但是，这不起作用，因为值中的逗号被读取为分隔符，而 len(line) 返回 4 而不是 2。

我尝试了另一种方法：

data = sc.textFile("myFile.csv")
headers = data.take(2) #First two rows to be skipped

当时的想法是使用过滤器而不是读取标题。但是，当我尝试打印标题时，我得到了编码值。

[\x00A\x00Y\x00 \x00J\x00u\x00l\x00y\x00 \x002\x000\x001\x006\x00]

读取 CSV 文件并跳过前两行的正确方法是什么？

Answer 1

尝试使用带有 'quotechar' 参数的 csv.reader。它将正确分割行。 之后，您可以根据需要添加过滤器。

import csv
from pyspark.sql.types import StringType

df = sc.textFile("test2.csv")\
           .mapPartitions(lambda line: csv.reader(line,delimiter=',', quotechar='"')).filter(lambda line: len(line)>=2 and line[0]!= 'Col1')\
           .toDF(['Col1','Col2'])

Answer 2

对于您的第一个问题，只需使用zipWithIndex 压缩RDD 中的行并过滤您不想要的行。 对于第二个问题，您可以尝试从行中去除第一个和最后一个双引号字符，然后在 "," 上拆分该行。

rdd = sc.textFile("myfile.csv")
rdd.zipWithIndex().
    filter(lambda x: x[1] > 2).
    map(lambda x: x[0]).
    map(lambda x: x.strip('"').split('","')).
    toDF(["Col1", "Col2"])

不过，如果您正在寻找在 Spark 中处理 CSV 文件的标准方法，最好使用 databricks 中的 spark-csv 包。

Answer 3

Zlidime 的回答是正确的。工作解决方案是这样的：

import csv

customSchema = StructType([ \
    StructField("Col1", StringType(), True), \
    StructField("Col2", StringType(), True)])

df = sc.textFile("file.csv")\
        .mapPartitions(lambda partition: csv.reader([line.replace('\0','') for line in partition],delimiter=',', quotechar='"')).filter(lambda line: len(line) > 2 and line[0] != 'Col1')\
        .toDF(customSchema)

Answer 4

如果CSV文件结构总是有两列，在Scala上可以实现：

val struct = StructType(
  StructField("firstCol", StringType, nullable = true) ::
  StructField("secondCol", StringType, nullable = true) :: Nil)

val df = sqlContext.read
  .format("com.databricks.spark.csv")
  .option("header", "false")
  .option("inferSchema", "false")
  .option("delimiter", ",")
  .option("quote", "\"")
  .schema(struct)
  .load("myFile.csv")

df.show(false)

val indexed = df.withColumn("index", monotonicallyIncreasingId())
val filtered = indexed.filter(col("index") > 2).drop("index")

filtered.show(false)

结果是：

+---------+---------+
|firstCol |secondCol|
+---------+---------+
|Header   |null     |
|Blank Row|null     |
|Col1     |Col2     |
|1,200    |1,456    |
|2,000    |3,450    |
+---------+---------+

+--------+---------+
|firstCol|secondCol|
+--------+---------+
|1,200   |1,456    |
|2,000   |3,450    |
+--------+---------+

Answer 5

您为什么不试试pyspark.sql 的DataFrameReader API？这很容易。对于这个问题，我想这一行就足够了。

df = spark.read.csv("myFile.csv") # By default, quote char is " and separator is ','

使用此 API，您还可以使用一些其他参数，例如标题行，忽略前导和尾随空格。这是链接：DataFrameReader API