如何在磁盘上将 spark DataFrame 保存为 csv？

Question

例如这样的结果：

df.filter("project = 'en'").select("title","count").groupBy("title").sum()

将返回一个数组。

如何将 spark DataFrame 保存为磁盘上的 csv 文件？

Answer 1

Apache Spark 不支持磁盘上的本机 CSV 输出。

不过，您有四种可用的解决方案：

1. 您可以将 Dataframe 转换为 RDD ：

   def convertToReadableString(r : Row) = ???
   df.rdd.map{ convertToReadableString }.saveAsTextFile(filepath)
   

   这将创建一个文件夹文件路径。在文件路径下，您会找到分区文件（例如 part-000*）

   如果我想将所有分区附加到一个大的 CSV 中，我通常会做的是

   cat filePath/part* > mycsvfile.csv
   

   有些人会使用 coalesce(1,false) 从 RDD 创建一个分区。这通常是一种不好的做法，因为它可能会将您收集的所有数据都拉给它，从而使驾驶员不知所措。

   请注意，df.rdd 将返回 RDD[Row]。

2. 通过Spark，您可以使用databricks spark-csv library:

   • Spark 1.4+：

     df.write.format("com.databricks.spark.csv").save(filepath)
     

   • Spark 1.3：

     df.save(filepath,"com.databricks.spark.csv")
     

3. 对于 Spark 2.x，不需要 spark-csv 包，因为它包含在 Spark 中。

   df.write.format("csv").save(filepath)
   

4. 您可以转换为本地 Pandas 数据框并使用to_csv 方法（仅限 PySpark）。

注意：解决方案 1、2 和 3 将生成 CSV 格式文件 (part-*)，由 Spark 在您调用 save 时调用的底层 Hadoop API 生成。每个分区会有一个part- 文件。

Answer 2

以 csv 格式将数据帧写入磁盘与从 csv 读取类似。如果您希望将结果作为一个文件，您可以使用 coalesce。

df.coalesce(1)
      .write
      .option("header","true")
      .option("sep",",")
      .mode("overwrite")
      .csv("output/path")

如果您的结果是一个数组，您应该使用特定于语言的解决方案，而不是 spark 数据框 api。因为所有这些结果都返回驱动机器。

Answer 3

我有类似的问题。当我以客户端模式连接到集群时，我需要在驱动程序上写下 csv 文件。

我想重用与 Apache Spark 相同的 CSV 解析代码以避免潜在错误。

我检查了 spark-csv 代码，在com.databricks.spark.csv.CsvSchemaRDD 中找到了负责将数据帧转换为原始 csv 的代码RDD[String]。

遗憾的是，它使用sc.textFile 和相关方法的结尾进行了硬编码。

我复制粘贴了该代码并删除了最后一行 sc.textFile 并直接返回了 RDD。

我的代码：

/*
  This is copypasta from com.databricks.spark.csv.CsvSchemaRDD
  Spark's code has perfect method converting Dataframe -> raw csv RDD[String]
  But in last lines of that method it's hardcoded against writing as text file -
  for our case we need RDD.
 */
object DataframeToRawCsvRDD {

  val defaultCsvFormat = com.databricks.spark.csv.defaultCsvFormat

  def apply(dataFrame: DataFrame, parameters: Map[String, String] = Map())
           (implicit ctx: ExecutionContext): RDD[String] = {
    val delimiter = parameters.getOrElse("delimiter", ",")
    val delimiterChar = if (delimiter.length == 1) {
      delimiter.charAt(0)
    } else {
      throw new Exception("Delimiter cannot be more than one character.")
    }

    val escape = parameters.getOrElse("escape", null)
    val escapeChar: Character = if (escape == null) {
      null
    } else if (escape.length == 1) {
      escape.charAt(0)
    } else {
      throw new Exception("Escape character cannot be more than one character.")
    }

    val quote = parameters.getOrElse("quote", "\"")
    val quoteChar: Character = if (quote == null) {
      null
    } else if (quote.length == 1) {
      quote.charAt(0)
    } else {
      throw new Exception("Quotation cannot be more than one character.")
    }

    val quoteModeString = parameters.getOrElse("quoteMode", "MINIMAL")
    val quoteMode: QuoteMode = if (quoteModeString == null) {
      null
    } else {
      QuoteMode.valueOf(quoteModeString.toUpperCase)
    }

    val nullValue = parameters.getOrElse("nullValue", "null")

    val csvFormat = defaultCsvFormat
      .withDelimiter(delimiterChar)
      .withQuote(quoteChar)
      .withEscape(escapeChar)
      .withQuoteMode(quoteMode)
      .withSkipHeaderRecord(false)
      .withNullString(nullValue)

    val generateHeader = parameters.getOrElse("header", "false").toBoolean
    val headerRdd = if (generateHeader) {
      ctx.sparkContext.parallelize(Seq(
        csvFormat.format(dataFrame.columns.map(_.asInstanceOf[AnyRef]): _*)
      ))
    } else {
      ctx.sparkContext.emptyRDD[String]
    }

    val rowsRdd = dataFrame.rdd.map(row => {
      csvFormat.format(row.toSeq.map(_.asInstanceOf[AnyRef]): _*)
    })

    headerRdd union rowsRdd
  }

}

Answer 4

我有类似的问题，我必须将数据框的内容保存到我定义的名称的 csv 文件中。 df.write("csv").save("<my-path>") 正在创建目录而不是文件。所以不得不想出以下解决方案。 大部分代码取自以下dataframe-to-csv，对逻辑进行了少量修改。

def saveDfToCsv(df: DataFrame, tsvOutput: String, sep: String = ",", header: Boolean = false): Unit = {
    val tmpParquetDir = "Posts.tmp.parquet"

    df.repartition(1).write.
        format("com.databricks.spark.csv").
        option("header", header.toString).
        option("delimiter", sep).
        save(tmpParquetDir)

    val dir = new File(tmpParquetDir)
    val newFileRgex = tmpParquetDir + File.separatorChar + ".part-00000.*.csv"
    val tmpTsfFile = dir.listFiles.filter(_.toPath.toString.matches(newFileRgex))(0).toString
    (new File(tmpTsvFile)).renameTo(new File(tsvOutput))

    dir.listFiles.foreach( f => f.delete )
    dir.delete
    }