在读取火花中的CSV时，请防止定界线碰撞

Question

我正在尝试使用CSV数据集创建RDD。

问题是我有一个location列，该列具有我不使用的(11112,222222)的结构。

因此，当我将map函数与split(",")一起使用时，其产生两列。

这是我的代码：

     val header = collisionsRDD.first 
     case class Collision (date:String,time:String,borogh:String,zip:String,
      onStreet:String,crossStreet:String,                                  
      offStreet:String,numPersInjured:Int,
      numPersKilled:Int,numPedesInjured:Int,numPedesKilled:Int,
      numCyclInjured:Int,numCycleKilled:Int,numMotoInjured:Int)   

     val collisionsPlat = collisionsRDD.filter(h => h != header).
                map(x => x.split(",").map(x => x.replace(""","")))
     val collisionsCase = collisionsPlat.map(x => Collision(x(0),
                                x(1), x(2), x(3),                  
                                x(8), x(9), x(10),
                                x(11).toInt,x(12).toInt,
                                x(13).toInt,x(14).toInt,
                                x(15).toInt,x(16).toInt,
                                x(17).toInt))
     collisionsCase.take(5)                                                  

如何在此字段中捕获,，而不是将其视为CSV定界符？

Answer 1

使用spark-csv读取文件，因为它具有选项 quote enabled

spark 1.6：

sqlContext.read.format("com.databticks.spark.csv").load(file)

或spark 2：

spark.read.csv(file)

来自文档：

quote：默认情况下，报价字符为 "，但可以设置为任何字符。引号中的定界符被忽略

$ cat abc.csv
a,b,c
1,"2,3,4",5
5,"7,8,9",10
scala> case class ABC (a: String, b: String, c: String)
scala> spark.read.option("header", "true").csv("abc.csv").as[ABC].show
+---+-----+---+
|  a|    b|  c|
+---+-----+---+
|  1|2,3,4|  5|
|  5|7,8,9| 10|
+---+-----+---+