pyspark笔记：读取 & 处理csv文件

pyspark cmd上的命令

1 读取文件

1.1 基本读取方式

注意读取出来的格式是Pyspark DataFrame，不是DataFrame，所以一些操作上是有区别的

1.1.1 format

DataFrame = spark.read.format("csv")
      .option(name,value)
      .load(path)

• format表示读取格式csv
• option就是读取csv时可选的选项
• path就是文件所在的路径

1.1.2 csv

DataFrame = spark.read
      .option(name,value)
      .csv(path)

• option就是读取csv时可选的选项
• path就是文件所在的路径

1.1.3 读取多个文件

使用spark.read.csv()可以读取多个csv文件

df = spark.read.csv("path1,path2,path3")

#读取path1，path2和path3

df= spark.read.csv("Folder path")
#读取Folder path里面的所有csv文件

1.2 option 主要参数

sep	默认, 指定单个字符分割字段和值
encoding	默认utf-8 通过给定的编码类型进行解码
header	默认false 是否将第一行作为列名
schema	手动设置输出结果的类型
inferSchema	根据数据预测数据类型 加了的话文件读取的次数是2次。 比如一列int 数据，不设置inferSchema=True的话，那么返回的类型就是string类型，设置了的话，返回类型就是int类型
nullValues	指定在 CSV 中要视为 null 的字符串

1.3 举例

三种设置option的方法：

celltable = spark.read.format("csv")
    .option("header", "true")
    .option("delimiter","\t")
    .load("xxx/test.txt")

celltable = spark.read.format("csv")
    .options(header=True,delimiter='\t')
    .load("xxx/test.txt")


celltable = spark.read.format("csv")
                      .load("xxx/test.txt",header=True,delimiter='\t')

celltable = spark.read
    .option("header", "true")
    .option("delimiter","\t")
    .csv("xxx/test.txt")

此时的celltable不会加载数据 

1.3.1 读入多个文件（使用通配符）

celltable = spark.read.format("csv")
    .option("header", "true")
    .option("delimiter","\t")
    .load("xxx/test_*.txt")

2 其他主要函数

printSchema	打印出 DataFrame /Dataset每个列的名称和数据类型 如果read的时候不手动设置schema，或者使用inferSchema的话，默认每一列的数据类型为string
select	从DataFrame中选取部分列的数据
	将提取出来的某一列重命名
filter	条件查询 获得字段LAC是'307'的行 celltable.filter(celltable['LAC']=='307').show()
groupby
sort	排序
first	数据的第一行
head take	默认是提取一行（此时和first同效果） 如果有参数，那么就是提取最前面的n行
count	行数
collect	获取所有结点的数据
describe	类似于pandas中的describe，不过如果需要展现结果，需要使用show()

3 stat

corr

两列的相关系数

参考内容：IBBD.github.io/hadoop/pyspark-csv.md at master · IBBD/IBBD.github.io · GitHub