hadoop - write - 如何将数据从Spark SQL导出到CSV




spark write csv (4)

上面使用spark-csv的答案是正确的但是有一个问题 - 库根据数据帧分区创建了几个文件。 这不是我们通常需要的。 因此,您可以将所有分区合并为一个:

df.coalesce(1).
    write.
    format("com.databricks.spark.csv").
    option("header", "true").
    save("myfile.csv")

并将lib的输出(名称“part-00000”)重命名为所需的文件名。

此博客文章提供了更多详细信息: https://fullstackml.com/2015/12/21/how-to-export-data-frame-from-apache-spark/https://fullstackml.com/2015/12/21/how-to-export-data-frame-from-apache-spark/

此命令适用于HiveQL:

insert overwrite directory '/data/home.csv' select * from testtable;

但是使用Spark SQL我收到org.apache.spark.sql.hive.HiveQl堆栈跟踪的错误:

java.lang.RuntimeException: Unsupported language features in query:
    insert overwrite directory '/data/home.csv' select * from testtable

请指导我在Spark SQL中编写导出到CSV功能。


在spark-csv的帮助下,我们可以写入CSV文件。

val dfsql = sqlContext.sql("select * from tablename")
dfsql.write.format("com.databricks.spark.csv").option("header","true").save("output.csv")`

最简单的方法是映射DataFrame的RDD并使用mkString:

  df.rdd.map(x=>x.mkString(","))

从Spark 1.5开始(或甚至在此之前) df.map(r=>r.mkString(","))如果你想要CSV转义你也可以使用apache commons lang。 例如,这是我们正在使用的代码

 def DfToTextFile(path: String,
                   df: DataFrame,
                   delimiter: String = ",",
                   csvEscape: Boolean = true,
                   partitions: Int = 1,
                   compress: Boolean = true,
                   header: Option[String] = None,
                   maxColumnLength: Option[Int] = None) = {

    def trimColumnLength(c: String) = {
      val col = maxColumnLength match {
        case None => c
        case Some(len: Int) => c.take(len)
      }
      if (csvEscape) StringEscapeUtils.escapeCsv(col) else col
    }
    def rowToString(r: Row) = {
      val st = r.mkString("~-~").replaceAll("[\\p{C}|\\uFFFD]", "") //remove control characters
      st.split("~-~").map(trimColumnLength).mkString(delimiter)
    }

    def addHeader(r: RDD[String]) = {
      val rdd = for (h <- header;
                     if partitions == 1; //headers only supported for single partitions
                     tmpRdd = sc.parallelize(Array(h))) yield tmpRdd.union(r).coalesce(1)
      rdd.getOrElse(r)
    }

    val rdd = df.map(rowToString).repartition(partitions)
    val headerRdd = addHeader(rdd)

    if (compress)
      headerRdd.saveAsTextFile(path, classOf[GzipCodec])
    else
      headerRdd.saveAsTextFile(path)
  }

由于Spark 2.X spark-csv被集成为本机数据源 。 因此,必要的声明简化为(windows)

df.write
  .option("header", "true")
  .csv("file:///C:/out.csv")

或UNIX

df.write
  .option("header", "true")
  .csv("/var/out.csv")




apache-spark-sql