如何使用Spark从DBFS目录加载和处理多个csv文件

Question

我想在从DBFS（Databricks FileSystem）读取的每个文件上运行以下代码。我在文件夹中的所有文件上测试了它，但我想逐个对文件夹中的每个文件进行类似的计算：

// a-e are calculated fields
val df2=Seq(("total",a,b,c,d,e)).toDF("file","total","count1","count2","count3","count4")

//schema is now an empty dataframe
val final1 = schema.union(df2)

那可能吗？我想从dbfs读取它应该做的不同，从我现在做的：

val df1 = spark
      .read
      .format("csv")
      .option("header", "true")
      .option("delimiter",",")
      .option("inferSchema", "true")
      .load("dbfs:/Reports/*.csv")
      .select("lot of ids")

非常感谢你提出的想法:)

Answer 1

如上所述，这里有3个选项。

在我的例子中，我正在使用接下来的3个数据集：

+----+----+----+
|col1|col2|col3|
+----+----+----+
|1   |100 |200 |
|2   |300 |400 |
+----+----+----+

+----+----+----+
|col1|col2|col3|
+----+----+----+
|3   |60  |80  |
|4   |12  |100 |
|5   |20  |10  |
+----+----+----+

+----+----+----+
|col1|col2|col3|
+----+----+----+
|7   |20  |40  |
|8   |30  |40  |
+----+----+----+

您首先创建模式（显式定义模式更快，而不是推断它）：

import org.apache.spark.sql.types._

val df_schema =
  StructType(
    List(
        StructField("col1", IntegerType, true),
        StructField("col2", IntegerType, true),
        StructField("col3", IntegerType, true)))

选项1：

一次加载所有CSV：

val df1 = spark
      .read
      .option("header", "false")
      .option("delimiter", ",")
      .option("inferSchema", "false")
      .schema(df_schema)
      .csv("file:///C:/data/*.csv")

然后将您的逻辑应用于按文件名分组的整个数据集。

前提条件：您必须找到一种方法将文件名附加到每个文件

选项2：

从目录加载csv文件。然后迭代文件并为每个csv创建一个数据帧。在循环内部将您的逻辑应用于每个csv。最后在循环结束时将结果附加（联合）到第二个数据帧，该数据帧将存储您的累积结果。

注意：请注意，大量文件可能会导致非常大的DAG以及随后的巨大执行计划，为了避免这种情况，您可以保留当前结果或调用collect。在下面的示例中，我假设将为每个bufferSize迭代执行persist或collect。您可以根据csv文件的数量调整甚至删除此逻辑。

这是第二个选项的示例代码：

import java.io.File
import org.apache.spark.sql.Row
import spark.implicits._

val dir = "C:\\data_csv\\"
val csvFiles = new File(dir).listFiles.filter(_.getName.endsWith(".csv"))

val bufferSize = 10
var indx = 0
//create an empty df which will hold the accumulated results
var bigDf = spark.createDataFrame(spark.sparkContext.emptyRDD[Row], df_schema)
csvFiles.foreach{ path => 
    var tmp_df = spark
                  .read
                  .option("header", "false")
                  .option("delimiter", ",")
                  .option("inferSchema", "false")
                  .schema(df_schema)
                  .csv(path.getPath)

    //execute your custom logic/calculations with tmp_df

    if((indx + 1) % bufferSize == 0){
        // If buffer size reached then
        // 1. call unionDf.persist() or unionDf.collect()
        // 2. in the case you use collect() load results into unionDf again 
    }

    bigDf = bigDf.union(tmp_df)
    indx = indx + 1
}
bigDf.show(false)

这应输出：

+----+----+----+
|col1|col2|col3|
+----+----+----+
|1   |100 |200 |
|2   |300 |400 |
|3   |60  |80  |
|4   |12  |100 |
|5   |20  |10  |
|7   |20  |40  |
|8   |30  |40  |
+----+----+----+

选项3：

最后一个选项是使用内置spark.sparkContext.wholeTextFiles。

这是将所有csv文件加载到RDD的代码：

val data = spark.sparkContext.wholeTextFiles("file:///C:/data_csv/*.csv")
val df = spark.createDataFrame(data)

df.show(false)

并输出：

+--------------------------+--------------------------+
|_1                        |_2                        |
+--------------------------+--------------------------+
|file:/C:/data_csv/csv1.csv|1,100,200                 |
|                          |2,300,400                 |
|file:/C:/data_csv/csv2.csv|3,60,80                   |
|                          |4,12,100                  |
|                          |5,20,10                   |
|file:/C:/data_csv/csv3.csv|7,20,40                   |
|                          |8,30,40                   |
+--------------------------+--------------------------+

spark.sparkContext.wholeTextFiles将返回一个键/值RDD，其中key是文件路径，value是文件数据。

这需要额外的代码来提取_2的内容，这是每个csv的内容。在我看来，这将包括关于程序的性能和可维护性的开销，因此我会避免它。

如果您需要进一步澄清，请与我们联系