在 Sparklyr 中指定 col 类型 (spark_read_csv)

Question

我正在使用 SpraklyR 将 csv 读入 Spark

schema <- structType(structField("TransTime", "array<timestamp>", TRUE),
                 structField("TransDay", "Date", TRUE))

 spark_read_csv(sc, filename, "path", infer_schema = FALSE, schema = schema)

但是得到：

Error: could not find function "structType"

如何使用spark_read_csv指定列类型？

提前致谢。

Answer 1

structType 函数来自 Scala 的 SparkAPI，在 Sparklyr 中要指定数据类型，您必须将其作为列表传递到“column”参数中，假设我们有以下 CSV(data.csv)：

name,birthdate,age,height
jader,1994-10-31,22,1.79
maria,1900-03-12,117,1.32

读取对应数据的函数为：

mycsv <- spark_read_csv(sc, "mydate", 
                          path =  "data.csv", 
                          memory = TRUE,
                          infer_schema = FALSE, #attention to this
                          columns = list(
                            name = "character",
                            birthdate = "date", #or character because needs date functions
                            age = "integer",
                            height = "double"))
# integer = "INTEGER"
# double = "REAL"
# character = "STRING"
# logical = "INTEGER"
# list = "BLOB"
# date = character = "STRING" # not sure

要操作日期类型，您必须使用 hive 日期函数，而不是 R 函数。

mycsv %>% mutate(birthyear = year(birthdate))

参考：https://spark.rstudio.com/articles/guides-dplyr.html#hive-functions

Answer 2

关于如何执行此操作的示例以及有关 Sparklyr 的免费在线书籍中解释的详细信息https://therinspark.com/data.html

但是 Jader Martins 答案中的命名列表示例更简单