gpt4 book ai didi

scala - 使用spark按排序顺序将数据合并到csv文件

转载 作者:行者123 更新时间:2023-12-05 05:21:27 29 4
gpt4 key购买 nike

我有这样一个数据集:

name  time val
---- ----- ---
fred 04:00 111
greg 03:00 123
fred 01:00 411
fred 05:00 921
fred 11:00 157
greg 12:00 333

和一些文件夹中的 csv 文件,每个文件对应数据集中的每个唯一名称:

fred.csv
greg.csv

例如,fred.csv 的内容如下所示:

00:00 222
10:00 133

我的目标是按排序的时间顺序将数据集有效地合并到 CSV 文件中,例如 fred.csv 最终如下所示:

00:00 222
01:00 411
04:00 111
05:00 921
10:00 133

在现实中,有成千上万个独特的名字,而不仅仅是两个。我使用 union 和 sort 函数按顺序添加行,但我没有成功地使用 partitionBy,对于每个,或者将行合并到它们正确的 CSV 文件中。

最佳答案

导入并声明必要的变量

val spark = SparkSession.builder
.master("local")
.appName("Partition Sort Demo")
.getOrCreate;

import spark.implicits._

从源文件创建数据框

val df = spark.read
.format("csv")
.option("header", "true")
.option("inferSchema", "true")
.csv("csv/file/location")

//df.show()
+----+-----+---+
|name| time|val|
+----+-----+---+
|fred|04:00|111|
|greg|03:00|123|
|fred|01:00|411|
|fred|05:00|921|
|fred|11:00|157|
|greg|12:00|333|
+----+-----+---+

Now repartition dataframe by name and sort each partition then save them

//repartition
val repartitionedDf = df.repartition($"name")

for {
//fetch the distinct names in dataframe use as filename
distinctName <- df.dropDuplicates("name").collect.map(_ (0))
} yield {
import org.apache.spark.sql.functions.lit

repartitionedDf.select("time", "val")
.filter($"name" === lit(distinctName)) //filter df by name
.coalesce(1)
.sortWithinPartitions($"time") //sort
.write.mode("overwrite").csv("location/" + distinctName + ".csv") //save
}

注意事项:

CSV 文件的内容在突出显示的文件中可用。

Output files location

关于scala - 使用spark按排序顺序将数据合并到csv文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42823132/

29 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com