python - 如何将spark数据输出到具有单独列的csv文件？

Question

我的代码首先使用正则表达式提取数据并将该数据写入文本文件(字符串格式)。 然后，我尝试根据文本文件中的内容创建一个数据框，以便我可以拥有单独的列，从而导致错误。 (将其写入 csv 文件会将整个内容写入一列)。

with open("C:\\Sample logs\\dataframe.txt",'a') as f:
    f.write(str(time))
    f.write(" ")
    f.write(qtype)
    f.write(" ")
    f.write(rtype)
    f.write(" ")
    f.write(domain)
    f.write("\n")
 new = sc.textFile("C:\\Sample logs\\dataframe.txt").cache() # cause df requires an rdd
 lines1 = new.map(lambda x: (x, ))
 df = sqlContext.createDataFrame(lines1)

但是我收到以下错误:

TypeError: Can not infer schema for type: type 'unicode'

我尝试了一些其他方法，但没有帮助。我想要做的就是在执行写入操作后，我想创建一个具有单独列的数据帧以便使用 groupBy()。

文本文件中的输入:

1472128348.0 HTTP - tr.vwt.gsf.asfh
1472237494.63 HTTP - tr.sdf.sff.sdfg
1473297794.26 HTTP - tr.asfr.gdfg.sdf
1474589345.0 HTTP - tr.sdgf.gdfg.gdfg
1472038475.0 HTTP - tr.sdf.csgn.sdf

预期的 csv 格式输出:

The same thing as above but separated into columns so i can perform groupby operations.

Answer 1

为了将“空格分隔的单词”替换为您需要替换的单词列表:

lines1 = new.map(lambda x: (x, ))

与

 lines1 = new.map(lambda line: line.split(' '))

我在我的机器上尝试过，执行以下命令后

df = sqlContext.createDataFrame(lines1)

创建了一个新的 DF:

df.printSchema()
root
 |-- _1: string (nullable = true)
 |-- _2: string (nullable = true)
 |-- _3: string (nullable = true)
 |-- _4: string (nullable = true)

df.show()
+-------------+----+---+-----------------+
|           _1|  _2| _3|               _4|
+-------------+----+---+-----------------+
| 1472128348.0|HTTP|  -|  tr.vwt.gsf.asfh|
|1472237494.63|HTTP|  -|  tr.sdf.sff.sdfg|
|1473297794.26|HTTP|  -| tr.asfr.gdfg.sdf|
| 1474589345.0|HTTP|  -|tr.sdgf.gdfg.gdfg|
| 1472038475.0|HTTP|  -|  tr.sdf.csgn.sdf|
+-------------+----+---+-----------------+

您可以执行groupBy:

>>> df2 = df.groupBy("_1")
>>> type(df2)
<class 'pyspark.sql.group.GroupedData'>
>>> 

为了使用架构，您需要首先定义它: 请参阅:https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html

下面可以找到架构示例(您需要添加字段、更新名称、键入以便将其应用到您的案例中)

from pyspark.sql.types import *
schema = StructType([
    StructField("F1", StringType(), True),
    StructField("F2", StringType(), True),
    StructField("F3", StringType(), True),
    StructField("F4", StringType(), True)])
df = sqlContext.createDataFrame(rdd, schema)

之后您将能够使用架构运行它:

df = sqlContext.createDataFrame(lines1,schema)

现在，您将获得字段的名称:

df.show()
+-------------+----+---+-----------------+
|           F1|  F2| F3|               F4|
+-------------+----+---+-----------------+
| 1472128348.0|HTTP|  -|  tr.vwt.gsf.asfh|
|1472237494.63|HTTP|  -|  tr.sdf.sff.sdfg|
|1473297794.26|HTTP|  -| tr.asfr.gdfg.sdf|
| 1474589345.0|HTTP|  -|tr.sdgf.gdfg.gdfg|
| 1472038475.0|HTTP|  -|  tr.sdf.csgn.sdf|
+-------------+----+---+-----------------+

为了将其保存为 CSV，您需要使用“to_pandas()”和“to_csv()” (Python pandas 的一部分)

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.to_csv.html

df.toPandas().to_csv('mycsv.csv')

csv文件的内容:

cat mycsv.csv

,F1,F2,F3,F4
0,1472128348.0,HTTP,-,tr.vwt.gsf.asfh
1,1472237494.63,HTTP,-,tr.sdf.sff.sdfg
2,1473297794.26,HTTP,-,tr.asfr.gdfg.sdf
3,1474589345.0,HTTP,-,tr.sdgf.gdfg.gdfg
4,1472038475.0,HTTP,-,tr.sdf.csgn.sdf

请注意，您可以使用“.cast()”来转换列，例如将 F1 转换为 float 类型 - 添加一个 float 类型的新列，并删除旧列)

df = df.withColumn("F1float", df["F1"].cast("float")).drop("F1")