如何从Spark中的CSV文件中跳过标题？

假设我给出了三个要读取的Spark上下文的文件路径，并且每个文件的第一行都有一个架构。我们如何从标题中跳过模式行？

val rdd=sc.textFile("file1,file2,file3")

现在，我们如何跳过此rdd的标题行？

如果第一条记录中只有一个标题行，那么最有效的过滤方法是：

rdd.mapPartitionsWithIndex {
  (idx, iter) => if (idx == 0) iter.drop(1) else iter 
}

如果里面有很多带有很多标题行的文件，这将无济于事。的确，您可以用这种方法合并三个RDD。

您也可以编写filter只与可能是标题的行匹配的。这很简单，但是效率较低。

相当于Python：

from itertools import islice

rdd.mapPartitionsWithIndex(
    lambda idx, it: islice(it, 1, None) if idx == 0 else it 
)

data = sc.textFile('path_to_data')
header = data.first() #extract header
data = data.filter(row => row != header)   #filter out header

在Spark 2.0中，Spark内置了CSV阅读器，因此您可以轻松地按以下方式加载CSV文件：

spark.read.option("header","true").csv("filePath")

从Spark 2.0开始，您可以使用SparkSession作为一个衬套完成此任务：

val spark = SparkSession.builder.config(conf).getOrCreate()

然后就像@SandeepPurohit所说的：

val dataFrame = spark.read.format("CSV").option("header","true").load(csvfilePath)

希望它能解决您的问题！

PS：SparkSession是Spark 2.0中引入的新入口点，可以在spark_sql包下找到

在PySpark中，您可以使用数据框并将标头设置为True：

df = spark.read.csv(dataPath, header=True)

您可以分别加载每个文件，使用它们进行过滤file.zipWithIndex().filter(_._2 > 0)，然后合并所有文件RDD。

如果文件数太大，则联合会抛出StackOverflowExeption。

使用filter()PySpark中的方法，过滤掉第一列名称以删除标题：

# Read file (change format for other file formats)
contentRDD = sc.textfile(<filepath>)

# Filter out first column of the header
filterDD = contentRDD.filter(lambda l: not l.startswith(<first column name>)

# Check your result
for i in filterDD.take(5) : print (i)

在2018年工作（Spark 2.3）

蟒蛇

df = spark.read
    .option("header", "true")
    .format("csv")
    .schema(myManualSchema)
    .load("mycsv.csv")

斯卡拉

val myDf = spark.read
  .option("header", "true")
  .format("csv")
  .schema(myManualSchema)
  .load("mycsv.csv")

PD1：myManualSchema是我编写的预定义架构，您可以跳过该部分代码

您可以将以下选项传递给read()命令：

context = new org.apache.spark.sql.SQLContext(sc)

var data = context.read.option("header","true").csv("<path>")

或者，您可以使用spark-csv软件包（或在Spark 2.0中，或多或少可以以CSV的形式提供）。请注意，这需要每个文件的标头（根据需要）：

schema = StructType([
        StructField('lat',DoubleType(),True),
        StructField('lng',DoubleType(),True)])

df = sqlContext.read.format('com.databricks.spark.csv'). \
     options(header='true',
             delimiter="\t",
             treatEmptyValuesAsNulls=True,
             mode="DROPMALFORMED").load(input_file,schema=schema)

//Find header from the files lying in the directory
val fileNameHeader = sc.binaryFiles("E:\\sss\\*.txt",1).map{
    case (fileName, stream)=>
        val header = new BufferedReader(new InputStreamReader(stream.open())).readLine()
        (fileName, header)
}.collect().toMap

val fileNameHeaderBr = sc.broadcast(fileNameHeader)

// Now let's skip the header. mapPartition will ensure the header
// can only be the first line of the partition
sc.textFile("E:\\sss\\*.txt",1).mapPartitions(iter =>
    if(iter.hasNext){
        val firstLine = iter.next()
        println(s"Comparing with firstLine $firstLine")
        if(firstLine == fileNameHeaderBr.value.head._2)
            new WrappedIterator(null, iter)
        else
            new WrappedIterator(firstLine, iter)
    }
    else {
        iter
    }
).collect().foreach(println)

class WrappedIterator(firstLine:String,iter:Iterator[String]) extends Iterator[String]{
    var isFirstIteration = true
    override def hasNext: Boolean = {
        if (isFirstIteration && firstLine != null){
            true
        }
        else{
            iter.hasNext
        }
    }

    override def next(): String = {
        if (isFirstIteration){
            println(s"For the first time $firstLine")
            isFirstIteration = false
            if (firstLine != null){
                firstLine
            }
            else{
                println(s"Every time $firstLine")
                iter.next()
            }
        }
        else {
          iter.next()
        }
    }
}

对于python开发人员。我已经测试了spark2.0。假设您要删除前14行。

sc = spark.sparkContext
lines = sc.textFile("s3://folder_location_of_csv/")
parts = lines.map(lambda l: l.split(","))
parts.zipWithIndex().filter(lambda tup: tup[1] > 14).map(lambda x:x[0])

withColumn是df函数。因此，下面将无法以上面使用的RDD样式工作。

parts.withColumn("index",monotonically_increasing_id()).filter(index > 14)