在 pySpark (2.3) 中读取本地 csv 文件

okuoub 发表于 Dev

143

奥库布

我正在使用 pySpark 2.3，试图读取一个看起来像这样的 csv 文件：

0,0.000476517230863068,0.0008178378961061477
1,0.0008506156837329876,0.0008467260987257776

但它不起作用：

from pyspark import sql, SparkConf, SparkContext
print (sc.applicationId)
>> <property at 0x7f47583a5548>
data_rdd = spark.textFile(name=tsv_data_path).filter(x.split(",")[0] != 1)

我收到一个错误：

AttributeError: 'SparkSession' object has no attribute 'textFile'

知道我应该如何在 pySpark 2.3 中阅读它吗？

瑞安·威德迈尔

首先，textFile存在于SparkContext（sc在repl中调用），而不是在SparkSession对象上（spark在repl中调用）。

其次，对于 CSV 数据，我建议使用 CSVDataFrame加载代码，如下所示：

df = spark.read.format("csv").load("file:///path/to/file.csv")

您在评论中提到需要将数据作为 RDD。如果您可以将所有操作保留在 DataFrames 而不是 RDDs 上，您将获得显着更好的性能。但是，如果您出于某种原因需要回退到 RDD，您可以这样做：

rdd = df.rdd.map(lambda row: row.asDict())

执行此方法比尝试自己加载textFile和解析 CSV 数据更好。如果您使用DataFrameCSV 加载，那么它将为您正确处理所有 CSV 边缘情况，例如带引号的字段。此外，如果只需要某些列，您可以DataFrame在将其转换为 a 之前对其进行过滤，RDD以避免将所有额外数据带入 python 解释器。