我对Pyspark(和Spark(还很陌生,有一项具体的任务要解决,目前我还不知道:(。
我有一堆如下结构的文件:
"文件_A.dtx":
## Animal
# Header Start
Name, Type, isMammal
# Body Start
Hasi, Rabbit, yes
Birdi, Bird, no
Cathi, Cat, yes
## House
# Header Start
Street, Number
# Body Start
Main Street, 32
Buchengasse, 11
"文件_B.dtx":
## Animal
# Header Start
Name, Type, isMammal
# Body Start
Diddi, Dog, yes
Eli, Elephant, yes
## House
# Header Start
Street, Number
# Body Start
Strauchweg, 13
Igelallee, 22
我的预期结果是如下两个数据帧:
动物:
| Filename | Name | Type | isMammal |
| ---------- | ------- | -------- | ----------- |
| File_A.dtx | Hasi | Rabbit | yes |
| File_A.dtx | Birdi | Bird | no |
| File_A.dtx | Cathi | Cat | yes |
| File_B.dtx | Diddi | Dog | yes |
| File_B.dtx | Eli | Elephant | yes |
房屋:
| Filename | Street | Number |
| ---------- | ------------ | -------- |
| File_A.dtx | Main Street | 32 |
| File_A.dtx | Buchengasse | 11 |
| File_B.dtx | Strauchweg | 13 |
| File_B.dtx | Igelallee | 22 |
解决方案应该能够并行工作。它可以按文件工作,因为每个文件都很小(大约3 MB(,但我有很多。
非常感谢你的提示。
我现在只有:
from pyspark.sql.functions import input_file_name
df1 = spark.read.text(filelist).withColumn("Filename", input_file_name())
现在我的主要问题是,如何根据行## Animal
和## House
拆分数据帧,并将其再次聚合为数据帧以完成任务?
假设您知道前一手的格式,并且没有两个数据帧具有相同的列数。然后您可以执行以下操作:
- 从数据集中删除注释(行以
#
开头( - 从数据集中删除标题行
- 删除空行
- 使用
,
拆分线路 - 在步骤4中,从df创建
animals_df
作为行的子集,其中来自拆分的数组的大小等于3,并将数组值提取为列 - 在步骤4中,从df创建
house_df
作为行的子集,其中来自拆分的数组的大小等于2,并将数组值提取为列
from pyspark.sql.functions import element_at, input_file_name, length, col as c, split, size
filelist = ["File_A.dtx", "File_B.dtx"]
df1 = spark.read.text(filelist).withColumn("Filename", input_file_name())
# STEP 1
comment_removed = df1.filter(~(c("value").startswith("#")))
# STEP 2
header_removed = comment_removed.filter(~(c("value").isin("Name, Type, isMammal", "Street, Number")))
# STEP 3
remove_empty_lines = header_removed.filter(length("value") > 0)
# STEP 4
processed_df = remove_empty_lines.withColumn("value", split("value", ",")).withColumn("Filename", element_at(split("Filename", "/"), -1)).cache()
# STEP 5
animals_df = processed_df.filter(size("value") == 3).selectExpr("Filename", "value[0] as Name", "value[1] as Type", "value[2] as isMammal")
animals_df.show()
"""
+----------+-----+---------+--------+
| Filename| Name| Type|isMammal|
+----------+-----+---------+--------+
|File_A.dtx| Hasi| Rabbit| yes|
|File_A.dtx|Birdi| Bird| no|
|File_A.dtx|Cathi| Cat| yes|
|File_B.dtx|Diddi| Dog| yes|
|File_B.dtx| Eli| Elephant| yes|
+----------+-----+---------+--------+
"""
# STEP 6
house_df = processed_df.filter(size("value") == 2).selectExpr("Filename", "value[0] as Street", "cast(value[1] as int) as Number")
house_df.show()
"""
+----------+-----------+------+
| Filename| Street|Number|
+----------+-----------+------+
|File_A.dtx|Main Street| 32|
|File_A.dtx|Buchengasse| 11|
|File_B.dtx| Strauchweg| 13|
|File_B.dtx| Igelallee| 22|
+----------+-----------+------+
"""