- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个 Spark 2.0.2 集群,我通过 Jupyter Notebook 通过 Pyspark 访问它。我有多个管道分隔的 txt 文件(加载到 HDFS。但也可在本地目录中使用),我需要使用 spark-csv 将其加载到三个单独的数据帧中,具体取决于文件的名称。
我看到了我可以采用的三种方法 - 或者我可以使用 python 以某种方式遍历 HDFS 目录(还没有想出如何做到这一点,加载每个文件然后进行合并。
我也知道 spark 中存在一些通配符功能(请参阅 here)——我可能可以利用
最后,我可以使用 pandas 从磁盘加载 vanilla csv 文件作为 pandas 数据帧,然后创建一个 spark 数据帧。这里的缺点是这些文件很大,在单个节点上加载到内存中可能需要 ~8gb。 (这就是为什么首先要迁移到集群的原因)。
这是我目前的代码和这两种方法的一些伪代码:
import findspark
findspark.init()
import pyspark
from pyspark.sql import SparkSession
import pandas as pd
sc = pyspark.SparkContext(appName = 'claims_analysis', master='spark://someIP:7077')
spark = SparkSession(sc)
#METHOD 1 - iterate over HDFS directory
for currFile in os.listdir(HDFS:///someDir//):
if #filename contains 'claim':
#create or unionAll to merge claim_df
if #filename contains 'pharm':
#create or unionAll to merge pharm_df
if #filename contains 'service':
#create or unionAll to merge service_df
#Method 2 - some kind of wildcard functionality
claim_df = spark.read.format('com.databricks.spark.csv').options(delimiter = '|',header ='true',nullValue ='null').load('HDFS:///someDir//*<claim>.csv')
pharm_df = spark.read.format('com.databricks.spark.csv').options(delimiter = '|',header ='true',nullValue ='null').load('HDFS:///someDir//*<pharm>.csv')
service_df = spark.read.format('com.databricks.spark.csv').options(delimiter = '|',header ='true',nullValue ='null').load('HDFS:///someDir//*<service>.csv')
#METHOD 3 - load to a pandas df and then convert to spark df
for currFile in os.listdir(HDFS:///someDir//)
pd_df = pd.read_csv(currFile, sep = '|')
df = spark.createDataFrame(pd_df)
if #filename contains 'claim':
#create or unionAll to merge claim_df
if #filename contains 'pharm':
#create or unionAll to merge pharm_df
if #filename contains 'service':
#create or unionAll to merge service_df
有谁知道如何实现方法 1 或 2?我一直无法弄清楚这些。此外,令我感到惊讶的是,没有更好的方法将 csv 文件加载到 pyspark 数据帧中 - 使用第三方包来处理看起来应该是 native 功能的东西让我感到困惑(我只是错过了标准用例吗用于将 csv 文件加载到数据帧中?)最终,我将把一个合并的单个数据帧写回到 HDFS(使用 .write.parquet() ),这样我就可以清除内存并使用 MLlib 进行一些分析。如果我强调的方法不是最佳实践,我将不胜感激插入正确的方向!
最佳答案
方法一:
在 python 中,您不能直接引用 HDFS 位置。你需要借助另一个库,比如 pydoop。在 scala 和 java 中,你有 API。即使使用 pydoop,您也会一个接一个地阅读文件。一个一个读取文件,不使用spark提供的并行读取选项是不好的。
方法 2:
您应该能够用逗号分隔或通配符指向多个文件。这样 spark 负责读取文件并将它们分发到分区中。但是,如果您对每个数据框使用 union 选项,那么当您动态读取每个文件时,就会出现一种边缘情况。当您有很多文件时,列表在驱动程序级别会变得非常庞大,并可能导致内存问题。主要原因是,读取过程仍在驱动程序级别发生。
这个选项更好。 spark 会读取所有与正则表达式相关的文件并将它们转换为分区。你得到一个 RDD 用于所有通配符匹配,从那里你不需要担心单个 rdd 的联合
示例代码片段:
distFile = sc.textFile("/hdfs/path/to/folder/fixed_file_name_*.csv")
方法 3:
除非你有一些使用 pandas 特性的 python 遗留应用程序,否则我更喜欢使用 spark 提供的 API
关于python - Pyspark 将多个 csv 文件读入数据框(或 RDD?),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41129787/
初学者 android 问题。好的,我已经成功写入文件。例如。 //获取文件名 String filename = getResources().getString(R.string.filename
我已经将相同的图像保存到/data/data/mypackage/img/中,现在我想显示这个全屏,我曾尝试使用 ACTION_VIEW 来显示 android 标准程序,但它不是从/data/dat
我正在使用Xcode 9,Swift 4。 我正在尝试使用以下代码从URL在ImageView中显示图像: func getImageFromUrl(sourceUrl: String) -> UII
我的 Ubuntu 安装 genymotion 有问题。主要是我无法调试我的数据库,因为通过 eclipse 中的 DBMS 和 shell 中的 adb 我无法查看/data/文件夹的内容。没有显示
我正在尝试用 PHP 发布一些 JSON 数据。但是出了点问题。 这是我的 html -- {% for x in sets %}
我观察到两种方法的结果不同。为什么是这样?我知道 lm 上发生了什么,但无法弄清楚 tslm 上发生了什么。 > library(forecast) > set.seed(2) > tts lm(t
我不确定为什么会这样!我有一个由 spring data elasticsearch 和 spring data jpa 使用的类,但是当我尝试运行我的应用程序时出现错误。 Error creatin
在 this vega 图表,如果我下载并转换 flare-dependencies.json使用以下 jq 到 csv命令, jq -r '(map(keys) | add | unique) as
我正在提交一个项目,我必须在其中创建一个带有表的 mysql 数据库。一切都在我这边进行,所以我只想检查如何将我所有的压缩文件发送给使用不同计算机的人。基本上,我如何为另一台计算机创建我的数据库文件,
我有一个应用程序可以将文本文件写入内部存储。我想仔细看看我的电脑。 我运行了 Toast.makeText 来显示路径,它说:/数据/数据/我的包 但是当我转到 Android Studio 的 An
我喜欢使用 Genymotion 模拟器以如此出色的速度加载 Android。它有非常好的速度,但仍然有一些不稳定的性能。 如何从 Eclipse 中的文件资源管理器访问 Genymotion 模拟器
我需要更改 Silverlight 中文本框的格式。数据通过 MVVM 绑定(bind)。 例如,有一个 int 属性,我将 1 添加到 setter 中的值并调用 OnPropertyChanged
我想向 Youtube Data API 提出请求,但我不需要访问任何用户信息。我只想浏览公共(public)视频并根据搜索词显示视频。 我可以在未经授权的情况下这样做吗? 最佳答案 YouTube
我已经设置了一个 Twilio 应用程序,我想向人们发送更新,但我不想回复单个文本。我只是想让他们在有问题时打电话。我一切正常,但我想在发送文本时显示传入文本,以确保我不会错过任何问题。我正在使用 p
我有一个带有表单的网站(目前它是纯 HTML,但我们正在切换到 JQuery)。流程是这样的: 接受用户的输入 --- 5 个整数 通过 REST 调用网络服务 在服务器端运行一些计算...并生成一个
假设我们有一个名为 configuration.js 的文件,当我们查看内部时,我们会看到: 'use strict'; var profile = { "project": "%Projec
这部分是对 Previous Question 的扩展我的: 我现在可以从我的 CI Controller 成功返回 JSON 数据,它返回: {"results":[{"id":"1","Sourc
有什么有效的方法可以删除 ios 中 CBL 的所有文档存储?我对此有疑问,或者,如果有人知道如何从本质上使该应用程序像刚刚安装一样,那也会非常有帮助。我们正在努力确保我们的注销实际上将应用程序设置为
我有一个 Rails 应用程序,它与其他 Rails 应用程序通信以进行数据插入。我使用 jQuery $.post 方法进行数据插入。对于插入,我的其他 Rails 应用程序显示 200 OK。但在
我正在为服务于发布请求的 API 调用运行单元测试。我正在传递请求正文,并且必须将响应作为帐户数据返回。但我只收到断言错误 注意:数据是从 Azure 中获取的 spec.js const accou
我是一名优秀的程序员,十分优秀!