使用 Spark RDD 保存和加载 wholeTextFiles

Question

我需要在spark中对一些文本文件进行批处理。基本上有人给了我大量畸形的 csv 文件。它们包含多行 header 任意文本格式的数据，然后是多行格式正确的 csv 数据。我需要将这些数据分成两个文件，或者至少以某种方式摆脱 header。

无论如何，我读到过您可以获得格式如下的 RDD：

[(filename, content)]

通过使用

spark \ .sparkContext \ .wholeTextFiles(input_files_csv)

然后我想在此 RDD 上执行映射操作，这会产生另一种与原始格式完全相同的格式

[(newfilename, content)]

然后我希望集群将这些内容保存在这些文件名下。

我找不到可以为我执行此操作的写入命令。我可以将 RDD 保存为原始文件，但我无法将其保存为普通文件，之后我可以将其作为数据帧读取。

我想我可以删除 headers，然后另存为一个巨大的 csv，并将文件名作为一个新列，但我觉得那样不会那么有效。

有人能解决我的问题吗？

Answer 1

这是 Scala，但在 Python 中应该不会太远。在 "foreach" 中，我没有使用任何特定于 spark 的东西来编写文件，只是使用常规的 Hadoop API。

sc.wholeTextFiles("/tmp/test-data/")
  .foreach{ x =>
    val filename = x._1
    val content = x._2
    val fs = FileSystem.get(new Configuration())
    val output = fs.create(new Path(s"${filename}-copy"))
    val writer = new PrintWriter(output)
    writer.write(content)
    writer.close
  }

使用 Spark RDD 保存和加载 wholeTextFiles

Saving and Loading wholeTextFiles using Spark RDD

apache-spark

rdd

pyspark