Pyspark 中的表格显示来自 CSV 文件的标题

Question

我有一个 csv 文件，其内容如下，第一行有一个标题。

id,name
1234,Rodney
8984,catherine

现在我可以在 hive 中创建一个表来跳过标题并适当地读取数据。 Hive 中的表

CREATE EXTERNAL TABLE table_id(
  `tmp_id` string, 
  `tmp_name` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe' 
WITH SERDEPROPERTIES ( 
  'field.delim'=',', 
  'serialization.format'=',') 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION  's3://some-testing/test/data/'
tblproperties ("skip.header.line.count"="1");

Hive 中的结果

select * from table_id;
OK
1234    Rodney
8984    catherine
Time taken: 1.219 seconds, Fetched: 2 row(s)

但是，当我在 pyspark 中使用同一张表（运行相同的查询）时，我什至在 pyspark 结果中看到文件的标题，如下所示。

>>> spark.sql("select * from table_id").show(10,False)
+------+---------+                                                              
|tmp_id|tmp_name |
+------+---------+
|id    |name     |
|1234  |Rodney   |
|8984  |catherine|
+------+---------+

现在，我怎么能忽略这些出现在 pyspark 的结果中。 我知道我们可以读取 csv 文件并添加 .option("header",True) 来实现这一点，但是我想知道在查询表时是否有办法在 pyspark 中做类似的事情。

有人可以建议我一个方法....谢谢????提前！！

Answer 1

这是Spark-11374 中的已知问题，并以won't fix 关闭。

在查询中，您可以使用 where 子句 选择除 'id' 和 'name' 之外的所有记录。

spark.sql("select * from table_id where tmp_id <> 'id' and tmp_name <> 'name'").show(10,False)
#or
spark.sql("select * from table_id where tmp_id != 'id' and tmp_name != 'name'").show(10,False)

另一种方法是使用 .option("header","true") 从 HDFS 读取文件。