使用 pyspark 读取 csv

Posted 2023-04-15

【中文标题】使用 pyspark 读取 csv

【英文标题】：Read csv using pyspark

【发布时间】：2018-01-03 14:43:08

【问题描述】：

我是新来的火花。我正在尝试 文件。我提到了PySpark How to read CSV into Dataframe, and manipulate it、Get CSV to Spark dataframe 等等。我尝试以两种方式阅读它：

1

from  pyspark.sql import SparkSession
from pyspark.sql import SQLContext
from pyspark.conf import SparkConf
sc = SparkContext.getOrCreate()
df = spark.read.csv('D:/Users/path/csv/test.csv')
df.show()

2

import pyspark
sc = pyspark.SparkContext()
sql = SQLContext(sc)

df = (sql.read
         .format("com.databricks.spark.csv")
         .option("header", "true")
         .load("D:/Users/path/csv/test.csv"))
df.show()

这两个代码都不起作用。我收到以下错误：

Py4JJavaError                             Traceback (most recent call last)
<ipython-input-28-c6263cc7dab9> in <module>()
      4 
      5 sc = SparkContext.getOrCreate()
----> 6 df = spark.read.csv('D:/Users/path/csv/test.csv')
      7 df.show()
      8 

~\opt\spark\spark-2.1.0-bin-hadoop2.7\python\pyspark\sql\readwriter.py in csv(self, path, schema, sep, encoding, quote, escape, comment, header, inferSchema, ignoreLeadingWhiteSpace, ignoreTrailingWhiteSpace, nullValue, nanValue, positiveInf, negativeInf, dateFormat, timestampFormat, maxColumns, maxCharsPerColumn, maxMalformedLogPerPartition, mode)
    378         if isinstance(path, basestring):
    379             path = [path]
--> 380         return self._df(self._jreader.csv(self._spark._sc._jvm.PythonUtils.toSeq(path)))
    381 
    382     @since(1.5)

~\opt\spark\spark-2.1.0-bin-hadoop2.7\python\lib\py4j-0.10.4-src.zip\py4j\java_gateway.py in __call__(self, *args)
   1131         answer = self.gateway_client.send_command(command)
   1132         return_value = get_return_value(
-> 1133             answer, self.gateway_client, self.target_id, self.name)
   1134 
   1135         for temp_arg in temp_args:

~\opt\spark\spark-2.1.0-bin-hadoop2.7\python\pyspark\sql\utils.py in deco(*a, **kw)
     61     def deco(*a, **kw):
     62         try:
---> 63             return f(*a, **kw)
     64         except py4j.protocol.Py4JJavaError as e:
     65             s = e.java_exception.toString()

~\opt\spark\spark-2.1.0-bin-hadoop2.7\python\lib\py4j-0.10.4-src.zip\py4j\protocol.py in get_return_value(answer, gateway_client, target_id, name)
    317                 raise Py4JJavaError(
    318                     "An error occurred while calling 012.\n".
--> 319                     format(target_id, ".", name), value)
    320             else:
    321                 raise Py4JError(

Py4JJavaError: An error occurred while calling o663.csv.
: java.util.ServiceConfigurationError: org.apache.spark.sql.sources.DataSourceRegister: Provider org.apache.spark.sql.hive.execution.HiveFileFormat not found
    at java.util.ServiceLoader.fail(ServiceLoader.java:239)
    at java.util.ServiceLoader.access$300(ServiceLoader.java:185)
    at java.util.ServiceLoader$LazyIterator.nextService(ServiceLoader.java:372)
    at java.util.ServiceLoader$LazyIterator.next(ServiceLoader.java:404)
    at java.util.ServiceLoader$1.next(ServiceLoader.java:480)
    at scala.collection.convert.Wrappers$JIteratorWrapper.next(Wrappers.scala:43)
    at scala.collection.Iterator$class.foreach(Iterator.scala:893)

我不明白为什么它会抛出一些蜂巢异常Py4JJavaError: An error occurred while calling o663.csv. : java.util.ServiceConfigurationError: org.apache.spark.sql.sources.DataSourceRegister: Provider org.apache.spark.sql.hive.execution.HiveFileFormat not found。如何解决这个错误HiveFileFormat not found.

谁能指导我解决这个错误？

【问题讨论】：

我应该猜你是在Windows系统吗？

@desertnaut，是的，我使用的是windows系统。

尝试使用SparkSession 而不是SparkContext 来实例化您的会话。

【参考方案1】：

您是否尝试过使用 sqlContext.read.csv？这就是我在 Spark 2.1 中读取 csvs 的方式

from pyspark import sql, SparkConf, SparkContext

conf = SparkConf().setAppName("Read_CSV")
sc = SparkContext(conf=conf)
sqlContext = sql.SQLContext(sc)

df = sqlContext.read.csv("path/to/data")
df.show()

【讨论】：

我也试过这个方法。但得到同样的错误。不过还是谢谢。

看来你的路径位置是指不在linux或hdfs上的windows..为什么不将文件ftp到你的linux然后从那里访问它..file://filepath跨度>

【参考方案2】：

首先，系统需要将Spark Session识别为如下命令：

from pyspark import SparkConf, SparkContext
sc = SparkContext()

之后，SQL 库必须像这样引入系统：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

最后您可以通过以下命令读取您的 CSV：

df = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('path/to/your/file.csv')

【参考方案3】：

由于在 PySpark 3.0.1 中不推荐使用 SQLContext - 将 CSV 文件导入 PySpark。

from pyspark.sql import SparkSession
spark = SparkSession \
    .builder \
    .appName("Python") \
    .getOrCreate()

df = spark.read.csv("/path/to/file/csv")
df.show()

【参考方案4】：

尝试通过制作一个配置对象来指定使用本地master。这将消除 spark 试图访问 hadoop 或评论中提到的任何地方的一些疑虑。

sc.stop()
conf = (conf.setMaster('local[*]'))
sc = SparkContext(conf = conf)
sqlContext = SQLContext(sc)

如果这不起作用，则不要使用 sqlcontext 读取文件。通过创建 sparksession 尝试 spark.read.csv("path/filename.csv")。

此外，最好将 Spark/Hadoop 与 Linux 操作系统一起使用，因为在这些系统中它要简单得多。

【参考方案5】：

错误很可能是因为您尝试访问本地文件而发生的。 请参阅下面如何访问它：

#Local File
spark.read.option("header","true").option("inferSchema","true").csv("file:///path")

#HDFS file
spark.read.option("header","true").option("inferSchema","true").csv("/path")

.csv(<path>) 排在最后。