Pyspark处理数据中带有列分隔符的数据集

Posted 2021-04-27 DeepHub IMBA

本篇文章目标是处理在数据集中存在列分隔符或分隔符的特殊场景。对于Pyspark开发人员来说，处理这种类型的数据集有时是一件令人头疼的事情，但无论如何都必须处理它。

数据集基本上如下所示:

 #first line is the headerNAME|AGE|DEP
 Vivek|Chaudhary|32|BSC
 John|Morgan|30|BE
 Ashwin|Rao|30|BE

数据集包含三个列" Name "， " AGE "， " DEP "，用分隔符" | "分隔。如果我们关注数据集，它也包含' | '列名。

让我们看看如何进行下一步:

步骤1。使用spark的Read .csv()方法读取数据集:

 #create spark session 
 import pyspark
 from pyspark.sql import SparkSession
 spark=SparkSession.builder.appName(‘delimit’).getOrCreate()

上面的命令帮助我们连接到spark环境，并让我们使用spark.read.csv()读取数据集

 #create 
 df=spark.read.option(‘delimiter’,’|’).csv(r’<path>/delimit_data.txt’,inferSchema=True,header=True)
 df.show()

从文件中读取数据并将数据放入内存后我们发现，最后一列数据在哪里，列年龄必须有一个整数数据类型，但是我们看到了一些其他的东西。这不是我们所期望的。一团糟，完全不匹配，不是吗?答案是肯定的，确实一团糟。

现在，让我们来学习如何解决这个问题。

步骤2。再次读取数据，但这次使用Read .text()方法:

 df=spark.read.text(r’/Python_Pyspark_Corp_Training/delimit_data.txt’)
 df.show(truncate=0)

 #extract first row as this is our header
 head=df.first()[0]
 schema=[‘fname’,’lname’,’age’,’dep’]
 print(schema)
 Output: ['fname', 'lname', 'age', 'dep']

下一步是根据列分隔符对数据集进行分割:

 #filter the header, separate the columns and apply the schema
 df_new=df.filter(df[‘value’]!=head).rdd.map(lambda x:x[0].split(‘|’)).toDF(schema)
 df_new.show()

现在，我们已经成功分离出列。

我们已经成功地将“|”分隔的列(“name”)数据分成两列。现在，数据更加干净，可以轻松地使用。

接下来，连接列“fname”和“lname”:

 from pyspark.sql.functions import concat, col, lit
 df1=df_new.withColumn(‘fullname’,concat(col(‘fname’),lit(“|”),col(‘lname’)))
 df1.show()

要验证数据转换，我们将把转换后的数据集写入CSV文件，然后使用read. CSV()方法读取它。

 df1.write.option(‘sep’,’|’).mode(‘overwrite’).option(‘header’,’true’).csv(r’<file_path>\cust_sep.csv’)

下一步是数据验证:

 df=spark.read.option(‘delimiter’,’|’).csv(r<filepath>,inferSchema=True,header=True)
 df.show()

现在的数据看起来像我们想要的那样。

作者:Vivek Chaudhary

deephub翻译组