如何从数据框中删除页眉和页脚？

Posted 2023-04-15

【中文标题】如何从数据框中删除页眉和页脚？

【英文标题】：How to Remove header and footer from Dataframe?

【发布时间】：2017-11-05 21:41:28

【问题描述】：

我正在阅读一个包含页眉、内容和页脚的文本（不是 CSV）文件

spark.read.format("text").option("delimiter","|")...load(file)

我可以使用df.first() 访问标题。 df.last() 或 df.reverse().first() 附近有什么东西吗？

【问题讨论】：

我认为最有效的方法不是火花。我会在预处理步骤中使用 shell 脚本来完成。这里有一些想法：***.com/questions/4193817/…

【参考方案1】：

样本数据：

col1|col2|col3
100|hello|asdf
300|hi|abc
200|bye|xyz
800|ciao|qwerty
This is the footer line

处理逻辑：

#load text file
txt = sc.textFile("path_to_above_sample_data_text_file.txt")

#remove header
header = txt.first()
txt = txt.filter(lambda line: line != header)

#remove footer
txt = txt.map(lambda line: line.split("|"))\
    .filter(lambda line: len(line)>1)

#convert to dataframe
df=txt.toDF(header.split("|"))
df.show()

输出是：

+----+-----+------+
|col1| col2|  col3|
+----+-----+------+
| 100|hello|  asdf|
| 300|   hi|   abc|
| 200|  bye|   xyz|
| 800| ciao|qwerty|
+----+-----+------+

【参考方案2】：

假设文件不是很大，我们可以使用 collect 来获取 dataframe 作为迭代器并访问最后一个元素，如下所示：

df = df.collect()[data.count()-1]

避免在大型数据集上使用collect。

或

我们可以使用 take 来截断最后一行。

df = df.take(data.count()-1)

【参考方案3】：

假设您的文本文件有 JSON 页眉和页脚， Spark SQL方式，

样本数据

"":[<field_name>:<field_value1>,<field_name>:<field_value2>]

这里的标题可以通过以下 3 行来避免（假设数据中没有 Tilda），

jsonToCsvDF=spark.read.format("com.databricks.spark.csv").option("delimiter", "~").load(<Blob Path1/ ADLS Path1>)

jsonToCsvDF.createOrReplaceTempView("json_to_csv")

spark.sql("SELECT SUBSTR(`_c0`,5,length(`_c0`)-5) FROM json_to_csv").coalesce(1).write.option("header",false).mode("overwrite").text(<Blob Path2/ ADLS Path2>)

现在输出看起来像，

[<field_name>:<field_value1>,<field_name>:<field_value2>]

【参考方案4】：

除了上面的答案，下面solution fits good 的文件有multiple header 和footer 行：-

val data_delimiter = "|"
val skipHeaderLines = 5
val skipHeaderLines = 3

//-- Read file into Dataframe and convert to RDD
val dataframe = spark.read.option("wholeFile", true).option("delimiter",data_delimiter).csv(s"hdfs://$in_data_file")

val rdd = dataframe.rdd

//-- RDD without header and footer
val dfRdd = rdd.zipWithIndex().filter(case (line, index) => index != (cnt - skipFooterLines) && index > (skipHeaderLines - 1)).map(case (line, index) => line)

//-- Dataframe without header and footer
val df = spark.createDataFrame(dfRdd, dataframe.schema)