Databricks pyspark，使用header ='false'

编程问答 2022-08-16

问题描述

我正在通过以下代码读取数据框中的CSV文件（存在于Azure datalake存储中）：

df = spark.read.load(filepath,format="csv",schema = mySchema,header="false",mode="DROPMALFORMED");

文件 filepath 包含100行和标题。我想在读取时忽略文件头，所以我定义了header="false"。 （因为有时文件带有标头，有时没有）

在读取数据框后，当我通过display（df）语句显示数据框时，我得到了所有数据并显示了100行是正确的。但是当我以前使用df.count（）检查数据帧的计数时，它显示了101行。数据框是否显示带有标头的计数？还是我想念什么？

mySchema 和 filepath 已在单元格中分别定义。

解决方法

您在读取csv文件时拥有mode="DROPMALFORMED"。

  • 当有一些格式不正确的记录触发时，将其丢弃到 df.show() but counts them in df.count().
    • 中
  • 在您的情况下，因为标头为false并指定了架构，所以如果出现问题，spark会根据您指定的类型读取数据，因此不会显示记录

Example: 

#sample data
#cat employee.csv
#id,name,salary,deptid
#1,a,1000,101
#2,b,2000,201

ss=StructType([StructField("id",IntegerType()),StructField("name",StringType()),StructField("salary",StructField("deptid",StringType())])

df=spark.read.load("employee.csv",format="csv",schema=ss,header="false",mode="DROPMALFORMED")


df.show()
#+---+----+------+------+
#| id|name|salary|deptid|
#+---+----+------+------+
#|  1|   a|  1000|   101|
#|  2|   b|  2000|   201|
#+---+----+------+------+

#issue in df.count
df.count()
#3 #has to be 2

To Fix:

在读取为数据框时添加 notNull 过滤器。

df=spark.read.load("employee.csv",mode="DROPMALFORMED").filter(col("id").isNotNull())

df.show()
#+---+----+------+------+
#| id|name|salary|deptid|
#+---+----+------+------+
#|  1|   a|  1000|   101|
#|  2|   b|  2000|   201|
#+---+----+------+------+

#fixed count
df.count()
#2

要查看格式错误的数据，请删除模式：

spark.read.load("employee.csv",schema= mySchema,header="false").show(100,False)
,

根据pyspark文档，

https://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrameReader 

header – uses the first line as names of columns. If None is set,it uses the default value,false.

您可能需要标准化获取数据的方式（带标头或不带标头），然后设置标志。

如果您设置header = False，则火花引擎将简单地将第一行读取为数据行。

为回答您的问题，数据帧计数不计算标题。 我建议先读取数据，然后再删除标题以用于调试。

此外，display(df)是Ipython提供的python操作，我将使用dataframe.show()，它是spark提供的用于调试目的的实用程序。

apache-spark-sqlazure-databricksdatabrickspysparkpython