scala - 如何使用 Spark 从 DBFS 目录加载和处理多个 csv 文件

Question

我想对从 DBFS(Databricks 文件系统)读取的每个文件运行以下代码。我对文件夹中的所有文件进行了测试，但我想对文件夹中的每个文件进行类似的计算，一个一个地计算:

// a-e are calculated fields
val df2=Seq(("total",a,b,c,d,e)).toDF("file","total","count1","count2","count3","count4")

//schema is now an empty dataframe
val final1 = schema.union(df2)

这可能吗？我想从 dbfs 读取它也应该以不同的方式完成，与我现在所做的不同:

val df1 = spark
      .read
      .format("csv")
      .option("header", "true")
      .option("delimiter",",")
      .option("inferSchema", "true")
      .load("dbfs:/Reports/*.csv")
      .select("lot of ids")

提前非常感谢您的想法:)

Answer 1

如前所述，您在这里有 3 个选项。

在我的示例中，我使用了接下来的 3 个数据集:

+----+----+----+
|col1|col2|col3|
+----+----+----+
|1   |100 |200 |
|2   |300 |400 |
+----+----+----+

+----+----+----+
|col1|col2|col3|
+----+----+----+
|3   |60  |80  |
|4   |12  |100 |
|5   |20  |10  |
+----+----+----+

+----+----+----+
|col1|col2|col3|
+----+----+----+
|7   |20  |40  |
|8   |30  |40  |
+----+----+----+

您首先创建架构(显式定义架构比推断架构更快):

import org.apache.spark.sql.types._

val df_schema =
  StructType(
    List(
        StructField("col1", IntegerType, true),
        StructField("col2", IntegerType, true),
        StructField("col3", IntegerType, true)))

选项 1:

一次加载所有 CSV:

val df1 = spark
      .read
      .option("header", "false")
      .option("delimiter", ",")
      .option("inferSchema", "false")
      .schema(df_schema)
      .csv("file:///C:/data/*.csv")

然后将您的逻辑应用于按文件名分组的整个数据集。

前提:你必须想办法把文件名附加到每个文件

选项 2:

从目录加载 csv 文件。然后遍历文件并为每个 csv 创建一个数据框。在循环内将您的逻辑应用于每个 csv。最后在循环结束时将结果追加(合并)到第二个数据框中，该数据框将存储您累积的结果。

注意:请注意，大量文件可能会导致非常大的 DAG 以及随后的巨大执行计划，为了避免这种情况，您可以保留当前结果或调用 collect。在下面的示例中，我假设每次 bufferSize 迭代都会执行 persist 或 collect。您可以根据 csv 文件的数量调整甚至删除此逻辑。

这是第二个选项的示例代码:

import java.io.File
import org.apache.spark.sql.Row
import spark.implicits._

val dir = "C:\\data_csv\\"
val csvFiles = new File(dir).listFiles.filter(_.getName.endsWith(".csv"))

val bufferSize = 10
var indx = 0
//create an empty df which will hold the accumulated results
var bigDf = spark.createDataFrame(spark.sparkContext.emptyRDD[Row], df_schema)
csvFiles.foreach{ path => 
    var tmp_df = spark
                  .read
                  .option("header", "false")
                  .option("delimiter", ",")
                  .option("inferSchema", "false")
                  .schema(df_schema)
                  .csv(path.getPath)

    //execute your custom logic/calculations with tmp_df

    if((indx + 1) % bufferSize == 0){
        // If buffer size reached then
        // 1. call unionDf.persist() or unionDf.collect()
        // 2. in the case you use collect() load results into unionDf again 
    }

    bigDf = bigDf.union(tmp_df)
    indx = indx + 1
}
bigDf.show(false)

这应该输出:

+----+----+----+
|col1|col2|col3|
+----+----+----+
|1   |100 |200 |
|2   |300 |400 |
|3   |60  |80  |
|4   |12  |100 |
|5   |20  |10  |
|7   |20  |40  |
|8   |30  |40  |
+----+----+----+

选项 3:

最后一个选项是使用内置的 spark.sparkContext.wholeTextFiles。

这是将所有 csv 文件加载到 RDD 中的代码:

val data = spark.sparkContext.wholeTextFiles("file:///C:/data_csv/*.csv")
val df = spark.createDataFrame(data)

df.show(false)

输出:

+--------------------------+--------------------------+
|_1                        |_2                        |
+--------------------------+--------------------------+
|file:/C:/data_csv/csv1.csv|1,100,200                 |
|                          |2,300,400                 |
|file:/C:/data_csv/csv2.csv|3,60,80                   |
|                          |4,12,100                  |
|                          |5,20,10                   |
|file:/C:/data_csv/csv3.csv|7,20,40                   |
|                          |8,30,40                   |
+--------------------------+--------------------------+

spark.sparkContext.wholeTextFiles 将返回一个key/value RDD，其中key是文件路径，value是文件数据。

这需要额外的代码来提取 _2 的内容，即每个 csv 的内容。在我看来，这将包含有关程序性能和可维护性的开销，因此我会避免它。

如果您需要进一步说明，请告诉我