scala – Spark-SQL：如何将TSV或CSV文件读入数据帧并应用自定义

我以Iris data set in TSV format from UAH.edu为例.以下是该文件的前几行：

Type    PW      PL      SW      SL
0       2       14      33      50
1       24      56      31      67
1       23      51      31      69
0       2       10      36      46
1       20      52      30      65

要强制执行模式,可以使用以下两种方法之一以编程方式构建它：

A.使用StructType创建架构：

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

var irisSchema = StructType(Array(
    StructField("Type",IntegerType,true),StructField("PetalWidth",StructField("PetalLength",StructField("SepalWidth",StructField("SepalLength",true)
    ))

B.或者,使用case类和Encoders创建模式(这种方法不那么冗长)：

import org.apache.spark.sql.Encoders

case class IrisSchema(Type: Int,PetalWidth: Int,PetalLength: Int,SepalWidth: Int,SepalLength: Int)

var irisSchema = Encoders.product[IrisSchema].schema

创建模式后,可以使用spark.read读入TSV文件.请注意,只要正确设置选项(“分隔符”,d)选项,您实际上也可以读取逗号分隔值(CSV)文件或任何分隔文件.此外,如果您有一个具有标题行的数据文件,请务必设置选项(“标题”,“真”).

以下是完整的最终代码：

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.Encoders

val spark = SparkSession.builder().getOrCreate()

case class IrisSchema(Type: Int,SepalLength: Int)

var irisSchema = Encoders.product[IrisSchema].schema

var irisDf = spark.read.format("csv").     // Use "csv" regardless of TSV or CSV.
                option("header","true").  // Does the file have a header line?
                option("delimiter","t"). // Set delimiter to tab or comma.
                schema(irisSchema).        // Schema that was built above.
                load("iris.tsv")

irisDf.show(5)

这是输出：

scala> irisDf.show(5)
+----+----------+-----------+----------+-----------+
|Type|PetalWidth|PetalLength|SepalWidth|SepalLength|
+----+----------+-----------+----------+-----------+
|   0|         2|         14|        33|         50|
|   1|        24|         56|        31|         67|
|   1|        23|         51|        31|         69|
|   0|         2|         10|        36|         46|
|   1|        20|         52|        30|         65|
+----+----------+-----------+----------+-----------+
only showing top 5 rows