开发者社区> 问答> 正文

pyspark有条件地解析固定宽度的文本文件

社区小助手 2018-12-19 16:00:18 286

我有一个固定宽度的文件,我不知道它的格式,直到它中的某个变量检查​​某个变量是'01'还是'02'。所以我想创建这样的东西:

myreport= spark.read.text("/mnt/path/mydata")
myreport= myreport.select(myreport.value.substr(1,3).alias('client'),
myreport.value.substr(4,2).alias('rptnum'),
if rptnum = '01', then
myreport.value.substr(6,2).cast('integer').alias('mo1'),
myreport.value.substr(8,2).cast('integer').alias('mo2'),
myreport.value.substr(12,2).cast('integer').alias('mo3'),
Else
myreport.value.substr(6,2).cast('integer').alias('mo1'),
myreport.value.substr(8,2).cast('integer').alias('mo2'),
myreport.value.substr(12,2).cast('integer').alias('mo3'),
myreport.value.substr(14,2).cast('integer').alias('mo4'),
myreport.value.substr(16,2).cast('integer').alias('mo5'),
myreport.value.substr(18,2).cast('integer').alias('mo6'),
如果rpt编号不是01,基本上列的数量会翻倍。不确定如何在pyspark中执行此操作

分享到
取消 提交回答
全部回答(1)
  • 社区小助手
    2019-07-17 23:23:00

    编写从df.rdd.map()中调用的函数并转换/解析每一行。您可以创建相同数量的列,但在一种情况下,某些列将为null。filter()在rptnum上使用,您可以分离行并选择相应的列。

    from pyspark.sql.functions import *
    from pyspark.sql import *

    def transformRow(row):

    value = row['value']
    client = value[1:4]
    rptnum = value[4:6]
    rowDict = {'client': client, 'rptnum': rptnum,'mo1': None,'mo2': None,'mo3': None,'mo4': None,'mo5': None,'mo6': None}
    rowDict['mo1'] = value[6:8]
    rowDict['mo2'] = value[8:10]
    rowDict['mo3'] = value[10:12]
    
    if rptnum != '01' :
        rowDict['mo4'] = value[12:14]
        rowDict['mo5'] = value[14:16]
        rowDict['mo6'] = value[16:18]
    return Row(**rowDict)
    

    myreport= spark.read.text("/mnt/path/mydata")
    myreport = myreport.rdd.map(transformRow).toDF()

    rpt1 = myreport.filter(col("rptnum") == '01').select("mo1","mo2","mo3")
    rpt2 = myreport.filter(col("rptnum") != '01')

    0 0
+ 订阅

时时分享云计算技术内容,助您降低 IT 成本,提升运维效率,使您更专注于核心业务创新。

推荐文章