2

我的问题与此处的问题相似，但我在实现答案时遇到了问题，我无法在该线程中发表评论。

所以，我有一个包含嵌套数据的大 CSV 文件，其中包含由空格分隔的 2 列（比如第一列是 Y，第二列是 X）。X 列本身也是一个逗号分隔值。

21.66 2.643227,1.2698358,2.6338573,1.8812188,3.8708665,...
35.15 3.422151,-0.59515584,2.4994135,-0.19701914,4.0771823,...
15.22 2.8302398,1.9080592,-0.68780196,3.1878228,4.6600842,...
...

我想使用sparklyr.

到目前为止，这就是我一直在做的事情：

  1. 用于spark_read_csv将所有 CSV 内容导入 Spark 数据表

    df = spark_read_csv(sc, path = "path", name = "simData", delimiter = " ", header = "false", infer_schema = "false")

    结果是一个simData以 2 列命名的 Spark 表：C0和C1

  2. 用于dplyr选择第一列和第二列，然后将它们分别注册为名为 Y 和 X 的新表

    simY <- df %>% select(C0) %>% sdf_register("simY")

    simX <- df %>% select(C1) %>% sdf_register("simX")

  3. 拆分simX使用ft_regex_tokenizer函数中的值，关于这里写的答案。

    ft_regex_tokenizer(input_DF, input.col = "COL", output.col = "ResultCols", pattern = '\\###')

但是当我尝试head使用它时dplyr：

Source:   query [6 x 1]
Database: spark connection master=yarn-client app=sparklyr local=FALSE

        Result
        <list>
1 <list [789]>
2 <list [789]>
3 <list [789]>
4 <list [789]>
5 <list [789]>
6 <list [789]>

我想把它变成一个新的 Spark 表并将类型转换为双精度。有没有办法做到这一点？我已经考虑collect将数据转换为 R（使用dplyr），转换为矩阵，然后strsplit为每一行做，但我认为这不是一个解决方案，因为 CSV 大小可以达到 40GB。

编辑：Spark 版本是 1.6.0

4

1 回答 1

4

假设您的数据如下所示

library(dplyr)
library(sparklyr)

df <- data.frame(text = c("1.0,2.0,3.0", "4.0,5.0,6.0"))
sdf <- copy_to(sc, df, "df", overwrite = TRUE)

并且您已经创建了一个spark_connection您可以执行以下操作的

n <- 3

# There is no function syntax for array access in Hive
# so we have to build [] expressions
# CAST(... AS double) could be handled in sparklyr / dplyr with as.numeric
exprs <- lapply(
  0:(n - 1), 
  function(i) paste("CAST(bits[", i, "] AS double) AS x", i, sep=""))

sdf %>%
  # Convert to Spark DataFrame
  spark_dataframe() %>% 
  # Use expression with split and explode
  invoke("selectExpr", list("split(text, ',') AS  bits")) %>%
  # Select individual columns
  invoke("selectExpr", exprs) %>%
  # Register table in the metastore ("registerTempTable" in Spark 1.x)
  invoke("createOrReplaceTempView", "exploded_df")

并用于dplyr::tbl取回sparklyr对象：

tbl(sc, "exploded_df")

Source:   query [2 x 3]
Database: spark connection master=local[8] app=sparklyr local=TRUE

     x0    x1    x2
  <dbl> <dbl> <dbl>
1     1     2     3
2     4     5     6

在最新版本中，您还可以使用sdf_separate_column：

sdf %>% 
  mutate(text=split(text, ",")) %>% 
  sdf_separate_column("text", paste0("x", 0:2))

# Source:   table<sparklyr_tmp_87125f13b89> [?? x 4]
# Database: spark_connection
  text       x0    x1    x2   
  <list>     <chr> <chr> <chr>
1 <list [3]> 1.0   2.0   3.0  
2 <list [3]> 4.0   5.0   6.0
于 2017-04-24T14:01:31.520 回答