如何在R中使用sparklyr打开“GZ FILE”?

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何在R中使用sparklyr打开“GZ FILE”?相关的知识,希望对你有一定的参考价值。

我想使用sparklyr包打开gz文件,因为我在R上使用Spark。我知道我可以使用read.delim2(gzfile("filename.csv.gz"), sep = ",", header = FALSE)打开gz文件,我可以使用spark_read_csv打开csv文件但是当我试图打开Spark中的gz文件。请帮忙!

答案

默认的Spark读者可以透明地加载gzip压缩数据,无需任何其他配置,只要文件具有指示使用压缩的正确扩展名。

因此,如果你有一个gzip压缩文件(请注意,这样的设置只能在本地模式下工作。在分布式模式下,你需要共享存储),如下所示:

valid_path <- tempfile(fileext=".csv.gz")
valid_conn <- gzfile(valid_path, "w")
readr::write_csv(iris, valid_conn)
close(valid_conn )

spark_read_csv工作得很好:

spark_read_csv(sc, "valid", valid_path)
# Source: spark<valid> [?? x 5]
   Sepal_Length Sepal_Width Petal_Length Petal_Width Species
          <dbl>       <dbl>        <dbl>       <dbl> <chr>  
 1          5.1         3.5          1.4         0.2 setosa 
 2          4.9         3            1.4         0.2 setosa 
 3          4.7         3.2          1.3         0.2 setosa 
 4          4.6         3.1          1.5         0.2 setosa 
 5          5           3.6          1.4         0.2 setosa 
 6          5.4         3.9          1.7         0.4 setosa 
 7          4.6         3.4          1.4         0.3 setosa 
 8          5           3.4          1.5         0.2 setosa 
 9          4.4         2.9          1.4         0.2 setosa 
10          4.9         3.1          1.5         0.1 setosa 

不过这个

invalid_path <- tempfile(fileext=".csv")
invalid_conn <- gzfile(invalid_path, "w")
readr::write_csv(iris, invalid_conn)
close(invalid_conn)

不会,因为Spark会按原样读取数据

spark_read_csv(sc, "invalid", invalid_path)

另外请记住,gzip是not splittable,对分布式应用程序来说是一个糟糕的选择。因此,如果文件很大,在继续使用Spark之前,使用标准系统工具解压缩通常是有意义的。

以上是关于如何在R中使用sparklyr打开“GZ FILE”?的主要内容,如果未能解决你的问题,请参考以下文章

如何使用 sparklyr 为 Apache Spark 实现 Stanford CoreNLP 包装器?

使用 sparklyr 在 R 中将字符串转换为逻辑字符串

为啥 R lubridate::duration 数据类型使用 sparklyr 转换为 spark 中的字符?

使用 sparklyr 时无法在本地 Spark 连接中加载 .csv 数据

在 R 和 Sparklyr 中,将表写入 .CSV (spark_write_csv) 会产生许多文件,而不是一个文件。为啥?我可以改变吗?

从 Sparklyr 中提取和可视化模型树