apache-spark - 我可以使用 spark-csv 将表示为字符串的 CSV 读入 Apache Spark

Question

我知道如何使用 spark-csv ( https://github.com/databricks/spark-csv ) 将 csv 文件读入 spark，但我已经将 csv 文件表示为字符串，并希望将此字符串直接转换为数据框。这可能吗？

Answer 1

更新：从 Spark 2.2.x 开始， 终于有了一种使用 Dataset 的正确方法。

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = SparkSession.builder().appName("CsvExample").master("local").getOrCreate()

import spark.implicits._
val csvData: Dataset[String] = spark.sparkContext.parallelize(
  """
    |id, date, timedump
    |1, "2014/01/01 23:00:01",1499959917383
    |2, "2014/11/31 12:40:32",1198138008843
  """.stripMargin.lines.toList).toDS()

val frame = spark.read.option("header", true).option("inferSchema",true).csv(csvData)
frame.show()
frame.printSchema()

旧火花版本

实际上你可以，虽然它使用的是库内部结构并且没有广泛宣传。只需创建并使用您自己的 CsvParser 实例。以下示例适用于 spark 1.6.0 和 spark-csv_2.10-1.4.0

    import com.databricks.spark.csv.CsvParser

val csvData = """
|userid,organizationid,userfirstname,usermiddlename,userlastname,usertitle
|1,1,user1,m1,l1,mr
|2,2,user2,m2,l2,mr
|3,3,user3,m3,l3,mr
|""".stripMargin
val rdd = sc.parallelize(csvData.lines.toList)
val csvParser = new CsvParser()
  .withUseHeader(true)
  .withInferSchema(true)


val csvDataFrame: DataFrame = csvParser.csvRdd(sqlContext, rdd)

Answer 2

您可以使用例如scala-csv 将字符串解析为 csv：

val myCSVdata : Array[List[String]] = myCSVString.split('\n').flatMap(CSVParser.parseLine(_))

在这里，您可以进行更多处理、数据清理、验证每一行是否解析良好并且具有相同数量的字段等......

然后，您可以将其RDD设为记录：

val myCSVRDD : RDD[List[String]] = sparkContext.parallelize(msCSVdata)

在这里，您可以将字符串列表按摩到案例类中，以更好地反映 csv 数据的字段。Person你应该从这个例子中 s的创作中得到一些启发：

https://spark.apache.org/docs/latest/sql-programming-guide.html#inferring-the-schema-using-reflection

我省略了这一步。

然后，您可以转换为 DataFrame：

import spark.implicits._ myCSVDataframe = myCSVRDD.toDF()

Answer 3

接受的答案在 spark 2.2.0 中对我不起作用，但引导我找到我需要的东西csvData.lines.toList

val fileUrl = getClass.getResource(s"/file_in_resources.csv")
val stream = fileUrl.getContent.asInstanceOf[InputStream]
val streamString = Source.fromInputStream(stream).mkString

val csvList = streamString.lines.toList

spark.read
  .option("header", "true")
  .option("inferSchema", "true")
  .csv(csvList.toDS())
  .as[SomeCaseClass]