csv - pyspark csv位于数据帧的url，而不写入磁盘

Question

如何将 url 处的 csv 读入 Pyspark 中的数据帧而不将其写入磁盘？

我尝试了以下方法，但没有成功:

import urllib.request
from io import StringIO

url = "https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/data/iris.csv"
response = urllib.request.urlopen(url)
data = response.read()      
text = data.decode('utf-8')  


f = StringIO(text)

df1 = sqlContext.read.csv(f, header = True, schema=customSchema)
df1.show()

Answer 1

TL;DR 这是不可能的，通常通过驱动程序传输数据是一个死胡同。

• 在 Spark 2.3 之前，csv 阅读器只能从 URI 读取(并且不支持 http)。

• 在 Spark 2.3 中，您使用 RDD:

  spark.read.csv(sc.parallelize(text.splitlines()))
  

  但数据将写入磁盘。

• 您可以从 Pandas 中createDataFrame:

  spark.createDataFrame(pd.read_csv(url)))
  

  但这再次写入磁盘

如果文件很小，我就使用 sparkFiles:

from pyspark import SparkFiles

spark.sparkContext.addFile(url)

spark.read.csv(SparkFiles.get("iris.csv"), header=True))