如何从 Dataframe 中删除 header 和页脚？

Question

我正在阅读包含 header、内容和页脚使用

的文本（非 CSV）文件

spark.read.format("text").option("delimiter","|")...load(file)

我可以使用 df.first() 访问 header。有接近df.last()或df.reverse().first()的东西吗？

Answer 1

假设文件不是很大，我们可以使用 collect 作为迭代器获取数据帧，并按如下方式访问最后一个元素：

df = df.collect()[data.count()-1]

避免在大型数据集上使用 collect。

或

我们可以使用 take 截断最后一行。

df = df.take(data.count()-1)

Answer 2

示例数据：

col1|col2|col3
100|hello|asdf
300|hi|abc
200|bye|xyz
800|ciao|qwerty
This is the footer line

处理逻辑：

#load text file
txt = sc.textFile("path_to_above_sample_data_text_file.txt")

#remove header
header = txt.first()
txt = txt.filter(lambda line: line != header)

#remove footer
txt = txt.map(lambda line: line.split("|"))\
    .filter(lambda line: len(line)>1)

#convert to dataframe
df=txt.toDF(header.split("|"))
df.show()

输出为：

+----+-----+------+
|col1| col2|  col3|
+----+-----+------+
| 100|hello|  asdf|
| 300|   hi|   abc|
| 200|  bye|   xyz|
| 800| ciao|qwerty|
+----+-----+------+

Answer 3

除上述答案外，solution fits good 下方包含 multiple header 和 footer 行的文件：-

val data_delimiter = "|"
val skipHeaderLines = 5
val skipHeaderLines = 3

//-- Read file into Dataframe and convert to RDD
val dataframe = spark.read.option("wholeFile", true).option("delimiter",data_delimiter).csv(s"hdfs://$in_data_file")

val rdd = dataframe.rdd

//-- RDD without header and footer
val dfRdd = rdd.zipWithIndex().filter({case (line, index) => index != (cnt - skipFooterLines) && index > (skipHeaderLines - 1)}).map({case (line, index) => line})

//-- Dataframe without header and footer
val df = spark.createDataFrame(dfRdd, dataframe.schema)

Answer 4

假设您的文本文件有 JSON header 和页脚，火花 SQL 方式，

示例数据

{"":[{<field_name>:<field_value1>},{<field_name>:<field_value2>}]}

这里可以通过以下 3 行（假设数据中没有 Tilda）来避免 header，

jsonToCsvDF=spark.read.format("com.databricks.spark.csv").option("delimiter", "~").load(<Blob Path1/ ADLS Path1>)

jsonToCsvDF.createOrReplaceTempView("json_to_csv")

spark.sql("SELECT SUBSTR(`_c0`,5,length(`_c0`)-5) FROM json_to_csv").coalesce(1).write.option("header",false).mode("overwrite").text(<Blob Path2/ ADLS Path2>)

现在输出看起来像，

[{<field_name>:<field_value1>},{<field_name>:<field_value2>}]

如何从 Dataframe 中删除 header 和页脚？

How to Remove header and footer from Dataframe?

apache-spark-sql

pyspark

spark-dataframe