スパークのCDH 1.6です。タイムスタンプと日付タイプを含むスパークデータフレームへのCSVの読み取り
私は、ApacheスパークDATAFRAMEにこの仮想CSVをインポートしようとしています:
$ hadoop fs -cat test.csv
a,b,c,2016-09-09,a,2016-11-11 09:09:09.0,a
a,b,c,2016-09-10,a,2016-11-11 09:09:10.0,a
は私がdatabricks-CSV瓶を使用しています。
val textData = sqlContext.read
.format("com.databricks.spark.csv")
.option("header", "false")
.option("delimiter", ",")
.option("dateFormat", "yyyy-MM-dd HH:mm:ss")
.option("inferSchema", "true")
.option("nullValue", "null")
.load("test.csv")
結果のDataFrameのスキーマを作成するために、inferSchemaを使用します。 printSchema()関数は、上記のコードのために私に次のような出力が得られます。
scala> textData.printSchema()
root
|-- C0: string (nullable = true)
|-- C1: string (nullable = true)
|-- C2: string (nullable = true)
|-- C3: string (nullable = true)
|-- C4: string (nullable = true)
|-- C5: timestamp (nullable = true)
|-- C6: string (nullable = true)
scala> textData.show()
+---+---+---+----------+---+--------------------+---+
| C0| C1| C2| C3| C4| C5| C6|
+---+---+---+----------+---+--------------------+---+
| a| b| c|2016-09-09| a|2016-11-11 09:09:...| a|
| a| b| c|2016-09-10| a|2016-11-11 09:09:...| a|
+---+---+---+----------+---+--------------------+---+
C3列が文字列タイプがあります。私はC3がの日付タイプを持って欲しいです。これを日付型にするには、次のコードを試してみました。
val textData = sqlContext.read.format("com.databricks.spark.csv")
.option("header", "false")
.option("delimiter", ",")
.option("dateFormat", "yyyy-MM-dd")
.option("inferSchema", "true")
.option("nullValue", "null")
.load("test.csv")
scala> textData.printSchema
root
|-- C0: string (nullable = true)
|-- C1: string (nullable = true)
|-- C2: string (nullable = true)
|-- C3: timestamp (nullable = true)
|-- C4: string (nullable = true)
|-- C5: timestamp (nullable = true)
|-- C6: string (nullable = true)
scala> textData.show()
+---+---+---+--------------------+---+--------------------+---+
| C0| C1| C2| C3| C4| C5| C6|
+---+---+---+--------------------+---+--------------------+---+
| a| b| c|2016-09-09 00:00:...| a|2016-11-11 00:00:...| a|
| a| b| c|2016-09-10 00:00:...| a|2016-11-11 00:00:...| a|
+---+---+---+--------------------+---+--------------------+---+
このコードと最初のブロックとの間の唯一の違いは、代わり「YYYY-MM-DD HHのDATEFORMATオプション行(Iは"YYYY-MM-DD" を使用ある:MM:SS ")。C330とC5の両方をタイムスタンプ(C3はまだ日付ではありません)としています。しかし、C5の場合、HH :: mm:ss部分は無視され、データにはゼロとして表示されます。
理想的には、C3は日付型、C5はタイムスタンプ型、HH:mm:ss型は無視されません。私の解決策は今のようになります。私は自分のDBから並列にデータを引っ張ってcsvを作ります。私はすべての日付をタイムスタンプとして引っ張るようにします(理想的ではありません)。だから、テストのcsvは次のようになります。
$ hadoop fs -cat new-test.csv
a,b,c,2016-09-09 00:00:00,a,2016-11-11 09:09:09.0,a
a,b,c,2016-09-10 00:00:00,a,2016-11-11 09:09:10.0,a
これが私の最後の作業コードです:ここで
val textData = sqlContext.read.format("com.databricks.spark.csv")
.option("header", "false")
.option("delimiter", ",")
.option("dateFormat", "yyyy-MM-dd HH:mm:ss")
.schema(finalSchema)
.option("nullValue", "null")
.load("new-test.csv")
が、私は完全なタイムスタンプの形式を使用します(「YYYY-MM-DD HH:MMを:ss ")をdateFormatに挿入します。私は手動でc3が日付でC5がタイムスタンプ型(Spark SQL型)であるfinalSchemaインスタンスを作成します。これらのスキーマを適用するには、schema()関数を使用します。次のような出力が見えます:?
scala> finalSchema
res4: org.apache.spark.sql.types.StructType = StructType(StructField(C0,StringType,true), StructField(C1,StringType,true), StructField(C2,StringType,true), StructField(C3,DateType,true), StructField(C4,StringType,true), StructField(C5,TimestampType,true), StructField(C6,StringType,true))
scala> textData.printSchema()
root
|-- C0: string (nullable = true)
|-- C1: string (nullable = true)
|-- C2: string (nullable = true)
|-- C3: date (nullable = true)
|-- C4: string (nullable = true)
|-- C5: timestamp (nullable = true)
|-- C6: string (nullable = true)
scala> textData.show()
+---+---+---+----------+---+--------------------+---+
| C0| C1| C2| C3| C4| C5| C6|
+---+---+---+----------+---+--------------------+---+
| a| b| c|2016-09-09| a|2016-11-11 09:09:...| a|
| a| b| c|2016-09-10| a|2016-11-11 09:09:...| a|
+---+---+---+----------+---+--------------------+---+
が容易またはCSVファイルを解析するためのボックスの方法(つまり、スパークデータフレームに日付とタイムスタンプのタイプの両方を持っている
関連リンクの外にあります:非自明な例のための推論オプションを使用すると
http://spark.apache.org/docs/latest/sql-programming-guide.html#manually-specifying-options
https://github.com/databricks/spark-csv