r - Spark Dataframe 中的重复列

Question

我在 hadoop 集群中有一个 10GB 的 csv 文件，其中包含重复的列。我尝试在 SparkR 中对其进行分析，因此我使用 spark-csv 包将其解析为 DataFrame:

  df <- read.df(
    sqlContext,
    FILE_PATH,
    source = "com.databricks.spark.csv",
    header = "true",
    mode = "DROPMALFORMED"
  )

但是由于 df 有重复的 Email 列，如果我想选择这一列，它会出错:

select(df, 'Email')

15/11/19 15:41:58 ERROR RBackendHandler: select on 1422 failed
Error in invokeJava(isStatic = FALSE, objId$id, methodName, ...) : 
  org.apache.spark.sql.AnalysisException: Reference 'Email' is ambiguous, could be: Email#350, Email#361.;
    at org.apache.spark.sql.catalyst.plans.logical.LogicalPlan.resolve(LogicalPlan.scala:278)
...

我想保留第一次出现的 Email 列并删除后者，我该怎么做？

Answer 1

最好的方法是更改​​上游的列名称；)

然而，这似乎是不可能的，所以有几个选择:

1. 如果列的大小写不同(“电子邮件”与“电子邮件”)，您可以启用区分大小写:

        sql(sqlContext, "set spark.sql.caseSensitive=true")
   

2. 如果列名完全相同，您将需要手动指定架构并跳过第一行以避免标题:

   customSchema <- structType(
   structField("year", "integer"), 
   structField("make", "string"),
   structField("model", "string"),
   structField("comment", "string"),
   structField("blank", "string"))
   
   df <- read.df(sqlContext, "cars.csv", source = "com.databricks.spark.csv", header="true", schema = customSchema)