我有以下分区数据文件夹-
my_folder
|--part-0000.gzip
|--part-0001.gzip
|--part-0002.gzip
|--part-0003.gzip
我尝试使用-将此数据读入数据框-
>>> my_df = spark.read.csv("/path/to/my_folder/*")
>>> my_df.show(5)
+--------------------+
| _c0|
+--------------------+
|��[I���...|
|��RUu�[*Ք��g��T...|
|�t��� �qd��8~��...|
|�(���b4�:������I�...|
|���!y�)�PC��ќ\�...|
+--------------------+
only showing top 5 rows
也试过用这个来检查数据-
>>> rdd = sc.textFile("/path/to/my_folder/*")
>>> rdd.take(4)
['\x1f�\x08\x00\x00\x00\x00\x00\x00\x00�͎\\ǖ�7�~�\x04�\x16��\'��"b�\x04�AR_<G��"u��\x06��L�*�7�J�N�\'�qa��\x07\x1ey��\x0b\\�\x13\x0f\x0c\x03\x1e�Q��ڏ�\x15Y_Yde��Y$��Q�JY;s�\x1d����[��\x15k}[B\x01��ˀ�PT��\x12\x07-�\x17\x12�\x0c#\t���T۱\x01yf��\x14�S\x0bc)��\x1ex���axAO˓_\'��`+HM҈�\x12�\x17�@']
注意:当我做一个zcat part-0000.gzip | head -1
读取文件内容,它显示数据是制表符分隔的并且是简单易读的英文。
如何将这些文件正确读取到数据框中?
最佳答案
出于某种原因,Spark 无法识别 .gzip
文件扩展名。所以我不得不在读取分区数据之前更改文件扩展名-
import os
# go to my_folder
os.chdir("/path/to/my_folder")
# renaming all `.gzip` extensions to `.gz` within my_folder
cmd = 'rename "s/gzip/gz/" *.gzip'
result_code = os.system(cmd)
if result_code == 0:
print("Successfully renamed the file extensions!")
# finally reading the data into a dataframe
my_df = spark.read.csv("/path/to/my_folder/*", sep="\t")
else:
print("Could not rename the file extensions!")
关于python - 如何将多个分区的 .gzip 文件读入 Spark Dataframe?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58227509/