如何在pyspark中启用csv文件的多行读取
我正在通过PySpark阅读CSV文件。它是一个插入符号分隔的文件。它有5列。我只需要3列。
rdd = sc.textFile("test.csv").map(lambda x: x.split("^")).filter(lambda x: len(x)>1).map(lambda x: (x[0], x[2], x[3]))
print rdd.take(5)
如下所示，csv文件中的数据在第4条记录中有一个多行数据，最后一列只有一列。由于该文件只有5条记录，因此将spark视为6条记录。所以我面对索引超出范围错误。
file.csv中的数据：
a1^b1^c1^d1^e1
a2^b2^c2^d2^e2
a3^b3^c3^d3^e3
a4^b4^c4^d4 is
multiline^e4
a5^b5^c5^d5^e5
如何启用multilinewhile创建rdd通过sc.textFile()？
展开
收起
1
条回答
写回答
写回答
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。在我的分析中我发现，它不能通过sc.textFile（）来完成，原因是我们只要将s3文件加载到rdd，然后rdd就会有一个元素列表作为s3文件的每个记录。在这个级别本身，多行中的每一行都被分成不同的记录。因此无法通过sc.textFile（）实现。
2019-07-17 23:20:10赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
问答排行榜
最热
最新
推荐问答
