SparkでCSVファイルを読み込む

Sparkを初めて使用し、SparkでファイルからCSVデータを読み取ろうとしています。これが私がやっていることです：

sc.textFile('file.csv')
    .map(lambda line: (line.split(',')[0], line.split(',')[1]))
    .collect()

この呼び出しでファイルの最初の2列のリストが表示されると思いますが、次のエラーが発生します。

File "<ipython-input-60-73ea98550983>", line 1, in <lambda>
IndexError: list index out of range

私のCSVファイルは複数の列として。

すべての行に少なくとも2つの列があることを確認しますか？確認するだけのようなことを試すことができますか？：

sc.textFile("file.csv") \
    .map(lambda line: line.split(",")) \
    .filter(lambda line: len(line)>1) \
    .map(lambda line: (line[0],line[1])) \
    .collect()

または、犯人を（もしあれば）印刷することもできます。

sc.textFile("file.csv") \
    .map(lambda line: line.split(",")) \
    .filter(lambda line: len(line)<=1) \
    .collect()

Spark 2.0.0以降

組み込みのcsvデータソースを直接使用できます。

spark.read.csv(
    "some_input_file.csv", header=True, mode="DROPMALFORMED", schema=schema
)

または

(spark.read
    .schema(schema)
    .option("header", "true")
    .option("mode", "DROPMALFORMED")
    .csv("some_input_file.csv"))

外部の依存関係を含まない。

スパーク<2.0.0：

一般的なケースでは簡単ではない手動の解析の代わりに、私はお勧めします spark-csvます：

（スパークCSVがパスに含まれていることを確認し--packages、--jars、--driver-class-path）

次のようにデータをロードします。

(df = sqlContext
    .read.format("com.databricks.spark.csv")
    .option("header", "true")
    .option("inferschema", "true")
    .option("mode", "DROPMALFORMED")
    .load("some_input_file.csv"))

ロード、スキーマ推論、不正な形式の行の削除を処理でき、PythonからJVMにデータを渡す必要がありません。

注：

スキーマがわかっている場合は、スキーマの推論を避けてに渡すことをお勧めしますDataFrameReader。整数、倍精度、文字列の3つの列があると仮定します。

from pyspark.sql.types import StructType, StructField
from pyspark.sql.types import DoubleType, IntegerType, StringType

schema = StructType([
    StructField("A", IntegerType()),
    StructField("B", DoubleType()),
    StructField("C", StringType())
])

(sqlContext
    .read
    .format("com.databricks.spark.csv")
    .schema(schema)
    .option("header", "true")
    .option("mode", "DROPMALFORMED")
    .load("some_input_file.csv"))

from pyspark.sql import SparkSession

spark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

df = spark.read.csv("/home/stp/test1.csv",header=True,sep="|");

print(df.collect())

また、Pandasを使用してCSVファイルを読み取り、Pandas DataFrameをSparkにインポートするという別のオプションもあります。

例えば：

from pyspark import SparkContext
from pyspark.sql import SQLContext
import pandas as pd

sc = SparkContext('local','example')  # if using locally
sql_sc = SQLContext(sc)

pandas_df = pd.read_csv('file.csv')  # assuming the file contains a header
# pandas_df = pd.read_csv('file.csv', names = ['column 1','column 2']) # if no header
s_df = sql_sc.createDataFrame(pandas_df)

単にカンマで分割するとa,b,"1,2,3",c、フィールド内のカンマも分割されるため（例：）、推奨されません。DataFrames APIを使用したい場合はzero323の答えが適切ですが、ベースのSparkに固執したい場合は、csvモジュールを使用してベースPythonでcsvsを解析できます。

# works for both python 2 and 3
import csv
rdd = sc.textFile("file.csv")
rdd = rdd.mapPartitions(lambda x: csv.reader(x))

編集：@muonがコメントで述べたように、これはヘッダーを他の行と同じように扱うため、手動で抽出する必要があります。たとえば、header = rdd.first(); rdd = rdd.filter(lambda x: x != header)（headerフィルターが評価される前に変更しないでください）。しかし、現時点では、組み込みのcsvパーサーを使用する方がよいでしょう。

これはPYSPARKにあります

path="Your file path with file name"

df=spark.read.format("csv").option("header","true").option("inferSchema","true").load(path)

その後、あなたはチェックすることができます

df.show(5)
df.count()

csvをデータフレームとしてロードする場合は、次の操作を実行できます。

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

df = sqlContext.read.format('com.databricks.spark.csv') \
    .options(header='true', inferschema='true') \
    .load('sampleFile.csv') # this is your csv file

それは私にとってはうまくいきました。

これは、JP MercierがPandasの使用について最初に提案したものと一致していますが、大きな変更点があります。チャンクでPandasにデータを読み取る場合は、より柔軟になります。つまり、Pandasが実際に単一のピースとして処理できるよりもはるかに大きなファイルを解析して、それをSparkに小さなサイズで渡すことができます。（これは、とにかくすべてをパンダにロードできるのであればなぜSparkを使用するのかについてのコメントにも回答します。）

from pyspark import SparkContext
from pyspark.sql import SQLContext
import pandas as pd

sc = SparkContext('local','example')  # if using locally
sql_sc = SQLContext(sc)

Spark_Full = sc.emptyRDD()
chunk_100k = pd.read_csv("Your_Data_File.csv", chunksize=100000)
# if you have headers in your csv file:
headers = list(pd.read_csv("Your_Data_File.csv", nrows=0).columns)

for chunky in chunk_100k:
    Spark_Full +=  sc.parallelize(chunky.values.tolist())

YourSparkDataFrame = Spark_Full.toDF(headers)
# if you do not have headers, leave empty instead:
# YourSparkDataFrame = Spark_Full.toDF()
YourSparkDataFrame.show()

現在、一般的なcsvファイルには別のオプションもあります：https : //github.com/seahboonsiew/pyspark-csv次のように：

次のコンテキストがあると仮定します

sc = SparkContext
sqlCtx = SQLContext or HiveContext

まず、SparkContextを使用してpyspark-csv.pyをエグゼキューターに配布します

import pyspark_csv as pycsv
sc.addPyFile('pyspark_csv.py')

SparkContextを介してcsvデータを読み取り、DataFrameに変換します

plaintext_rdd = sc.textFile('hdfs://x.x.x.x/blah.csv')
dataframe = pycsv.csvToDataFrame(sqlCtx, plaintext_rdd)

csvデータにどのフィールドにも改行が含まれていない場合は、データを読み込んtextFile()で解析できます

import csv
import StringIO

def loadRecord(line):
    input = StringIO.StringIO(line)
    reader = csv.DictReader(input, fieldnames=["name1", "name2"])
    return reader.next()

input = sc.textFile(inputFile).map(loadRecord)

データセットに2未満または複数の列を持つ1つ以上の行がある場合、このエラーが発生する可能性があります。

私はPysparkも初めてで、CSVファイルを読み込もうとしています。次のコードは私のために働きました：

このコードでは、kaggleのデータセットを使用しています。リンクは次のとおりです。https：//www.kaggle.com/carrie1/ecommerce-data

1.スキーマに言及せずに：

from pyspark.sql import SparkSession  
scSpark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example: Reading CSV file without mentioning schema") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

sdfData = scSpark.read.csv("data.csv", header=True, sep=",")
sdfData.show()

次に、列を確認します：sdfData.columns

出力は次のようになります。

['InvoiceNo', 'StockCode','Description','Quantity', 'InvoiceDate', 'CustomerID', 'Country']

各列のデータ型を確認します。

sdfData.schema
StructType(List(StructField(InvoiceNo,StringType,true),StructField(StockCode,StringType,true),StructField(Description,StringType,true),StructField(Quantity,StringType,true),StructField(InvoiceDate,StringType,true),StructField(UnitPrice,StringType,true),StructField(CustomerID,StringType,true),StructField(Country,StringType,true)))

これは、データ型がStringTypeであるすべての列を含むデータフレームを提供します。

2.スキーマあり：スキーマ がわかっている場合、または上記の表の任意の列のデータ型を変更する場合は、これを使用します（次の列があり、それぞれの特定のデータ型にしたいとします）

from pyspark.sql import SparkSession  
from pyspark.sql.types import StructType, StructField
from pyspark.sql.types import DoubleType, IntegerType, StringType
    schema = StructType([\
        StructField("InvoiceNo", IntegerType()),\
        StructField("StockCode", StringType()), \
        StructField("Description", StringType()),\
        StructField("Quantity", IntegerType()),\
        StructField("InvoiceDate", StringType()),\
        StructField("CustomerID", DoubleType()),\
        StructField("Country", StringType())\
    ])

scSpark = SparkSession \
    .builder \
    .appName("Python Spark SQL example: Reading CSV file with schema") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

sdfData = scSpark.read.csv("data.csv", header=True, sep=",", schema=schema)

次に、各列のデータ型のスキーマを確認します。

sdfData.schema

StructType(List(StructField(InvoiceNo,IntegerType,true),StructField(StockCode,StringType,true),StructField(Description,StringType,true),StructField(Quantity,IntegerType,true),StructField(InvoiceDate,StringType,true),StructField(CustomerID,DoubleType,true),StructField(Country,StringType,true)))

編集：スキーマに明示的に言及することなく、次のコード行も使用できます。

sdfData = scSpark.read.csv("data.csv", header=True, inferSchema = True)
sdfData.schema

出力は次のとおりです。

StructType(List(StructField(InvoiceNo,StringType,true),StructField(StockCode,StringType,true),StructField(Description,StringType,true),StructField(Quantity,IntegerType,true),StructField(InvoiceDate,StringType,true),StructField(UnitPrice,DoubleType,true),StructField(CustomerID,IntegerType,true),StructField(Country,StringType,true)))

出力は次のようになります。

sdfData.show()

+---------+---------+--------------------+--------+--------------+----------+-------+
|InvoiceNo|StockCode|         Description|Quantity|   InvoiceDate|CustomerID|Country|
+---------+---------+--------------------+--------+--------------+----------+-------+
|   536365|   85123A|WHITE HANGING HEA...|       6|12/1/2010 8:26|      2.55|  17850|
|   536365|    71053| WHITE METAL LANTERN|       6|12/1/2010 8:26|      3.39|  17850|
|   536365|   84406B|CREAM CUPID HEART...|       8|12/1/2010 8:26|      2.75|  17850|
|   536365|   84029G|KNITTED UNION FLA...|       6|12/1/2010 8:26|      3.39|  17850|
|   536365|   84029E|RED WOOLLY HOTTIE...|       6|12/1/2010 8:26|      3.39|  17850|
|   536365|    22752|SET 7 BABUSHKA NE...|       2|12/1/2010 8:26|      7.65|  17850|
|   536365|    21730|GLASS STAR FROSTE...|       6|12/1/2010 8:26|      4.25|  17850|
|   536366|    22633|HAND WARMER UNION...|       6|12/1/2010 8:28|      1.85|  17850|
|   536366|    22632|HAND WARMER RED P...|       6|12/1/2010 8:28|      1.85|  17850|
|   536367|    84879|ASSORTED COLOUR B...|      32|12/1/2010 8:34|      1.69|  13047|
|   536367|    22745|POPPY'S PLAYHOUSE...|       6|12/1/2010 8:34|       2.1|  13047|
|   536367|    22748|POPPY'S PLAYHOUSE...|       6|12/1/2010 8:34|       2.1|  13047|
|   536367|    22749|FELTCRAFT PRINCES...|       8|12/1/2010 8:34|      3.75|  13047|
|   536367|    22310|IVORY KNITTED MUG...|       6|12/1/2010 8:34|      1.65|  13047|
|   536367|    84969|BOX OF 6 ASSORTED...|       6|12/1/2010 8:34|      4.25|  13047|
|   536367|    22623|BOX OF VINTAGE JI...|       3|12/1/2010 8:34|      4.95|  13047|
|   536367|    22622|BOX OF VINTAGE AL...|       2|12/1/2010 8:34|      9.95|  13047|
|   536367|    21754|HOME BUILDING BLO...|       3|12/1/2010 8:34|      5.95|  13047|
|   536367|    21755|LOVE BUILDING BLO...|       3|12/1/2010 8:34|      5.95|  13047|
|   536367|    21777|RECIPE BOX WITH M...|       4|12/1/2010 8:34|      7.95|  13047|
+---------+---------+--------------------+--------+--------------+----------+-------+
only showing top 20 rows

使用している場合spark.read.csv、私はオプションを使用していることを見つけるescape='"'とmultiLine=True、最も一貫性のあるソリューションを提供CSV標準を、そして私の経験でのGoogleスプレッドシートからエクスポートされたファイルをCSVで最適に動作します。

あれは、

#set inferSchema=False to read everything as string
df = spark.read.csv("myData.csv", escape='"', multiLine=True,
     inferSchema=False, header=True)