用列名编写 csv 并读取从 Pyspark 中的 sparksql 数据框生成的 csv 文件

Question

我已经启动了 shell with databrick csv package

#../spark-1.6.1-bin-hadoop2.6/bin/pyspark --packages com.databricks:spark-csv_2.11:1.3.0

然后我读取了一个 csv 文件，做了一些 groupby 操作并将其转储到 csv。

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true').load(path.csv')   ####it has columns and df.columns works fine
type(df)   #<class 'pyspark.sql.dataframe.DataFrame'>
#now trying to dump a csv
df.write.format('com.databricks.spark.csv').save('path+my.csv')
#it creates a directory my.csv with 2 partitions
### To create single file i followed below line of code
#df.rdd.map(lambda x: ",".join(map(str, x))).coalesce(1).saveAsTextFile("path+file_satya.csv") ## this creates one partition in directory of csv name
#but in both cases no columns information(How to add column names to that csv file???)
# again i am trying to read that csv by
df_new = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("the file i just created.csv")
#i am not getting any columns in that..1st row becomes column names

请不要在 read_csv 之后或在阅读时提及列名时向数据框添加模式之类的回答。

问题 1 - 在提供 csv 转储时，有什么方法可以添加列名称吗？？？

问题2-有没有办法创建可以用ms office或notepad++打开的单个csv文件（又不是目录）？？？

注意：我目前没有使用集群，因为它对于像我这样的 spark 初学者来说太复杂了。如果有人可以提供 link 如何在集群环境中将 to_csv 处理成单个文件，那将是一个很大的帮助。

Answer 1

得到第一个问题的答案，这是将一个额外的参数 header = 'true' 与 csv 语句一起传递的问题

df.write.format('com.databricks.spark.csv').save('path+my.csv',header = 'true')

#第二题的备选方案

使用topandas.to_csv，但我不想在这里使用pandas，所以请建议是否有其他解决方法。

Answer 2

尝试

df.coalesce(1).write.format('com.databricks.spark.csv').save('path+my.csv',header = 'true')

请注意，这可能不是您当前设置的问题，但在非常大的数据集上，您可以运行进入驱动程序的内存问题。这也将花费更长的时间（在集群场景中），因为所有内容都必须推回到一个位置。

Answer 3

使用 spark >= 2.o，我们可以做类似的事情

df = spark.read.csv('path+filename.csv', sep = 'ifany',header='true')
df.write.csv('path_filename of csv',header=True) ###yes still in partitions
df.toPandas().to_csv('path_filename of csv',index=False)  ###single csv(Pandas Style)

Answer 4

以防万一，在 spark 2.1 上，您可以使用以下行创建单个 csv 文件

dataframe.coalesce(1) //So just a single part- file will be created
.write.mode(SaveMode.Overwrite)
.option("mapreduce.fileoutputcommitter.marksuccessfuljobs","false") //Avoid creating of crc files
.option("header","true") //Write the header
.csv("csvFullPath")

Answer 5

以下应该可以解决问题：

df \
  .write \
  .mode('overwrite') \
  .option('header', 'true') \
  .csv('output.csv')

或者，如果您希望结果位于单个分区中，您可以使用 coalesce(1)：

df \
  .coalesce(1) \
  .write \
  .mode('overwrite') \
  .option('header', 'true') \
  .csv('output.csv')

但是请注意，这是一项昂贵的操作，对于非常大的数据集可能不可行。

用列名编写 csv 并读取从 Pyspark 中的 sparksql 数据框生成的 csv 文件

writing a csv with column names and reading a csv file which is being generated from a sparksql dataframe in Pyspark

python

apache-spark

apache-spark-sql

pyspark

pyspark-sql

注意：我目前没有使用集群，因为它对于像我这样的 spark 初学者来说太复杂了。如果有人可以提供 link 如何在集群环境中将 to_csv 处理成单个文件，那将是一个很大的帮助。