13

当 CSV 在 Spark 中被读取为数据框时,所有列都被读取为字符串。有什么办法可以得到实际的列类型吗?

我有以下 csv 文件

Name,Department,years_of_experience,DOB
Sam,Software,5,1990-10-10
Alex,Data Analytics,3,1992-10-10

我已使用以下代码阅读了 CSV

val df = sqlContext.
                  read.
                  format("com.databricks.spark.csv").
                  option("header", "true").
                  option("inferSchema", "true").
                  load(sampleAdDataS3Location)
df.schema

所有列都被读取为字符串。我希望将years_of_experience列读取为int并将DOB读取为date

请注意,我已将选项inferSchema设置为true

我正在使用最新版本(1.0.3)的 spark-csv 包

我在这里错过了什么吗?

4

1 回答 1

15

2015-07-30

最新版本实际上是1.1.0,但它并不重要,因为它看起来inferSchema 不包含在最新版本中

2015-08-17

该软件包的最新版本现在是1.2.0(发布于 2015-08-06),并且模式推断按预期工作:

scala> df.printSchema
root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- DOB: string (nullable = true)

关于自动日期解析,我怀疑它是否会发生,或者至少在不提供额外元数据的情况下不会发生。

即使所有字段都遵循某种类似日期的格式,也无法说给定字段是否应该被解释为日期。所以要么是缺少自动日期推断,要么是电子表格一团糟。更不用说时区问题了。

最后,您可以轻松地手动解析日期字符串:

sqlContext
  .sql("SELECT *, DATE(dob) as dob_d  FROM df")
  .drop("DOB")
  .printSchema

root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- dob_d: date (nullable = true)

所以这真的不是一个严重的问题。

2017-12-20 :

自 Spark 2.0 以来可用的内置 csv 解析器支持日期和时间戳的模式推断 - 它使用两个选项:

  • timestampFormat默认yyyy-MM-dd'T'HH:mm:ss.SSSXXX
  • dateFormat默认yyyy-MM-dd

另请参阅如何强制 inferSchema for CSV 将整数视为日期(使用“dateFormat”选项)?

于 2015-07-30T14:06:48.333 回答