我正在尝试将 CSV 文件转换为 parquet,我正在使用 Spark 来完成此操作。
SparkSession spark = SparkSession
.builder()
.appName(appName)
.config("spark.master", master)
.getOrCreate();
Dataset<Row> logFile = spark.read().csv("log_file.csv");
logFile.write().parquet("log_file.parquet");
现在的问题是我没有定义架构,列看起来像这样(在 spark 中使用 printSchema() 显示输出)
root
|-- _c0: string (nullable = true)
|-- _c1: string (nullable = true)
|-- _c2: string (nullable = true)
....
csv 的第一行有名字,但我猜它们被忽略了,问题是只有几列是字符串,我还有整数和日期。
我只使用Spark,基本上没有avro或其他任何东西(从未使用过avro)。
定义架构的选项有哪些?如何定义?如果我需要以其他方式编写 parquet 文件,那么没问题,只要它是一个快速简单的解决方案。
(我正在使用 spark standalone 进行测试/不知道 scala)
最佳答案
尝试使用 .option("inferschema","true") present Spark-csv包裹。这将自动从数据中推断出架构。
您还可以使用结构类型为您的数据定义自定义模式,并使用 .schema(schema_name)
在自定义模式的基础上读取数据。
val sqlContext = new SQLContext(sc)
val customSchema = StructType(Array(
StructField("year", IntegerType, true),
StructField("make", StringType, true),
StructField("model", StringType, true),
StructField("comment", StringType, true),
StructField("blank", StringType, true)))
val df = sqlContext.read
.format("com.databricks.spark.csv")
.option("header", "true") // Use first line of all files as header
.schema(customSchema)
.load("cars.csv")
关于java - Parquet 架构和 Spark,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41740499/