CSVファイル
Spark SQLは、CSV形式のファイルまたはファイルディレクトリをSpark DataFrameに読み込むために spark.read().csv("ファイル名")
を提供し、CSVファイルに書き込むために dataframe.write().csv("パス")
を提供します。関数 option()
を使用して、ヘッダー、区切り文字、文字セットなどの動作を制御するなど、読み取りまたは書き込みの動作をカスタマイズできます。
# spark is from the previous example
sc = spark.sparkContext
# A CSV dataset is pointed to by path.
# The path can be either a single CSV file or a directory of CSV files
path = "examples/src/main/resources/people.csv"
df = spark.read.csv(path)
df.show()
# +------------------+
# | _c0|
# +------------------+
# | name;age;job|
# |Jorge;30;Developer|
# | Bob;32;Developer|
# +------------------+
# Read a csv with delimiter, the default delimiter is ","
df2 = spark.read.option("delimiter", ";").csv(path)
df2.show()
# +-----+---+---------+
# | _c0|_c1| _c2|
# +-----+---+---------+
# | name|age| job|
# |Jorge| 30|Developer|
# | Bob| 32|Developer|
# +-----+---+---------+
# Read a csv with delimiter and a header
df3 = spark.read.option("delimiter", ";").option("header", True).csv(path)
df3.show()
# +-----+---+---------+
# | name|age| job|
# +-----+---+---------+
# |Jorge| 30|Developer|
# | Bob| 32|Developer|
# +-----+---+---------+
# You can also use options() to use multiple options
df4 = spark.read.options(delimiter=";", header=True).csv(path)
# "output" is a folder which contains multiple csv files and a _SUCCESS file.
df3.write.csv("output")
# Read all files in a folder, please make sure only CSV files should present in the folder.
folderPath = "examples/src/main/resources"
df5 = spark.read.csv(folderPath)
df5.show()
# Wrong schema because non-CSV files are read
# +-----------+
# | _c0|
# +-----------+
# |238val_238|
# | 86val_86|
# |311val_311|
# | 27val_27|
# |165val_165|
# +-----------+
完全なサンプルコードは、Sparkリポジトリの "examples/src/main/python/sql/datasource.py" にあります。
// A CSV dataset is pointed to by path.
// The path can be either a single CSV file or a directory of CSV files
val path = "examples/src/main/resources/people.csv"
val df = spark.read.csv(path)
df.show()
// +------------------+
// | _c0|
// +------------------+
// | name;age;job|
// |Jorge;30;Developer|
// | Bob;32;Developer|
// +------------------+
// Read a csv with delimiter, the default delimiter is ","
val df2 = spark.read.option("delimiter", ";").csv(path)
df2.show()
// +-----+---+---------+
// | _c0|_c1| _c2|
// +-----+---+---------+
// | name|age| job|
// |Jorge| 30|Developer|
// | Bob| 32|Developer|
// +-----+---+---------+
// Read a csv with delimiter and a header
val df3 = spark.read.option("delimiter", ";").option("header", "true").csv(path)
df3.show()
// +-----+---+---------+
// | name|age| job|
// +-----+---+---------+
// |Jorge| 30|Developer|
// | Bob| 32|Developer|
// +-----+---+---------+
// You can also use options() to use multiple options
val df4 = spark.read.options(Map("delimiter"->";", "header"->"true")).csv(path)
// "output" is a folder which contains multiple csv files and a _SUCCESS file.
df3.write.csv("output")
// Read all files in a folder, please make sure only CSV files should present in the folder.
val folderPath = "examples/src/main/resources";
val df5 = spark.read.csv(folderPath);
df5.show();
// Wrong schema because non-CSV files are read
// +-----------+
// | _c0|
// +-----------+
// |238val_238|
// | 86val_86|
// |311val_311|
// | 27val_27|
// |165val_165|
// +-----------+
完全なサンプルコードは、Sparkリポジトリの "examples/src/main/scala/org/apache/spark/examples/sql/SQLDataSourceExample.scala" にあります。
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
// A CSV dataset is pointed to by path.
// The path can be either a single CSV file or a directory of CSV files
String path = "examples/src/main/resources/people.csv";
Dataset<Row> df = spark.read().csv(path);
df.show();
// +------------------+
// | _c0|
// +------------------+
// | name;age;job|
// |Jorge;30;Developer|
// | Bob;32;Developer|
// +------------------+
// Read a csv with delimiter, the default delimiter is ","
Dataset<Row> df2 = spark.read().option("delimiter", ";").csv(path);
df2.show();
// +-----+---+---------+
// | _c0|_c1| _c2|
// +-----+---+---------+
// | name|age| job|
// |Jorge| 30|Developer|
// | Bob| 32|Developer|
// +-----+---+---------+
// Read a csv with delimiter and a header
Dataset<Row> df3 = spark.read().option("delimiter", ";").option("header", "true").csv(path);
df3.show();
// +-----+---+---------+
// | name|age| job|
// +-----+---+---------+
// |Jorge| 30|Developer|
// | Bob| 32|Developer|
// +-----+---+---------+
// You can also use options() to use multiple options
java.util.Map<String, String> optionsMap = new java.util.HashMap<String, String>();
optionsMap.put("delimiter",";");
optionsMap.put("header","true");
Dataset<Row> df4 = spark.read().options(optionsMap).csv(path);
// "output" is a folder which contains multiple csv files and a _SUCCESS file.
df3.write().csv("output");
// Read all files in a folder, please make sure only CSV files should present in the folder.
String folderPath = "examples/src/main/resources";
Dataset<Row> df5 = spark.read().csv(folderPath);
df5.show();
// Wrong schema because non-CSV files are read
// +-----------+
// | _c0|
// +-----------+
// |238val_238|
// | 86val_86|
// |311val_311|
// | 27val_27|
// |165val_165|
// +-----------+
完全なサンプルコードは、Sparkリポジトリの "examples/src/main/java/org/apache/spark/examples/sql/JavaSQLDataSourceExample.java" にあります。
データソースオプション
CSVのデータソースオプションは、以下を使用して設定できます。
.option
/.options
メソッドDataFrameReader
DataFrameWriter
DataStreamReader
DataStreamWriter
- 以下の組み込み関数
from_csv
to_csv
schema_of_csv
- CREATE TABLE USING DATA_SOURCE の
OPTIONS
句
プロパティ名 | デフォルト | 意味 | スコープ |
---|---|---|---|
sep |
, | 各フィールドと値の区切り文字を設定します。この区切り文字は1つ以上の文字にできます。 | 読み取り/書き込み |
encoding |
UTF-8 | 読み取りの場合、指定されたエンコーディングタイプでCSVファイルをデコードします。書き込みの場合、保存されたCSVファイルのエンコーディング(文字セット)を指定します。CSV組み込み関数はこのオプションを無視します。 | 読み取り/書き込み |
quote |
" | 区切り文字が値の一部である可能性がある、引用符付きの値をエスケープするために使用される単一の文字を設定します。読み取りの場合、引用符をオフにするには、null ではなく空の文字列を設定する必要があります。書き込みの場合、空の文字列が設定されている場合は、u0000 (ヌル文字)を使用します。 |
読み取り/書き込み |
quoteAll |
false | すべての値を常に引用符で囲む必要があるかどうかを示すフラグ。デフォルトでは、引用符文字を含む値のみをエスケープします。 | 書き込み |
escape |
\ | すでに引用符で囲まれた値の内部で引用符をエスケープするために使用される単一の文字を設定します。 | 読み取り/書き込み |
escapeQuotes |
true | 引用符を含む値を常に引用符で囲む必要があるかどうかを示すフラグ。デフォルトでは、引用符文字を含むすべての値をエスケープします。 | 書き込み |
comment |
この文字で始まる行をスキップするために使用される単一の文字を設定します。デフォルトでは、無効になっています。 | 読み取り | |
header |
false | 読み取りの場合、最初の行を列の名前として使用します。書き込みの場合、最初の行として列の名前を書き込みます。指定されたパスが文字列のRDDである場合、このヘッダーオプションは、存在する場合はヘッダーと同じすべての行を削除することに注意してください。CSV組み込み関数はこのオプションを無視します。 | 読み取り/書き込み |
inferSchema |
false | 入力スキーマをデータから自動的に推論します。データの追加パスが1つ必要になります。CSV組み込み関数はこのオプションを無視します。 | 読み取り |
preferDate |
true | スキーマ推論(inferSchema )中に、dateFormat オプションまたはデフォルトの日付形式を満たす値が含まれている文字列列をDate として推論しようとします。日付とタイムスタンプが混在している列については、タイムスタンプ形式が指定されていない場合はTimestampType として推論を試み、指定されている場合はStringType として推論を試みます。 |
読み取り |
enforceSchema |
true | true に設定されている場合、指定または推論されたスキーマがデータソースファイルに強制的に適用され、CSVファイルのヘッダーは無視されます。オプションがfalse に設定されている場合、header オプションがtrue に設定されている場合に、スキーマがCSVファイルのすべてのヘッダーに対して検証されます。スキーマ内のフィールド名とCSVヘッダーの列名は、spark.sql.caseSensitive を考慮して、それらの位置によってチェックされます。デフォルト値はtrueですが、誤った結果を避けるためにenforceSchema オプションを無効にすることをお勧めします。CSV組み込み関数はこのオプションを無視します。 |
読み取り |
ignoreLeadingWhiteSpace |
false (読み取りの場合)、true (書き込みの場合) |
読み取り/書き込みされる値から先頭の空白をスキップするかどうかを示すフラグ。 | 読み取り/書き込み |
ignoreTrailingWhiteSpace |
false (読み取りの場合)、true (書き込みの場合) |
読み取り/書き込みされる値から末尾の空白をスキップするかどうかを示すフラグ。 | 読み取り/書き込み |
nullValue |
null値の文字列表現を設定します。2.0.1以降、このnullValue パラメーターは、文字列型を含むすべてのサポートされている型に適用されます。 |
読み取り/書き込み | |
nanValue |
NaN | 非数値の文字列表現を設定します。 | 読み取り |
positiveInf |
Inf | 正の無限大値の文字列表現を設定します。 | 読み取り |
negativeInf |
-Inf | 負の無限大値の文字列表現を設定します。 | 読み取り |
dateFormat |
yyyy-MM-dd | 日付形式を示す文字列を設定します。カスタム日付形式は、日時パターン の形式に従います。これは日付型に適用されます。 | 読み取り/書き込み |
timestampFormat |
yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] | タイムスタンプ形式を示す文字列を設定します。カスタム日付形式は、日時パターン の形式に従います。これはタイムスタンプ型に適用されます。 | 読み取り/書き込み |
timestampNTZFormat |
yyyy-MM-dd'T'HH:mm:ss[.SSS] | タイムゾーンなしのタイムスタンプ形式を示す文字列を設定します。カスタム日付形式は、日時パターン の形式に従います。これはタイムゾーンなしのタイムスタンプ型に適用されます。このデータ型の書き込みまたは読み取り時には、ゾーンオフセットとタイムゾーンのコンポーネントはサポートされていないことに注意してください。 | 読み取り/書き込み |
enableDateTimeParsingFallback |
時間パーサーポリシーにレガシー設定がある場合、またはカスタムの日付またはタイムスタンプパターンが提供されなかった場合に有効になります。 | 値が設定されたパターンと一致しない場合に、日付とタイムスタンプの解析の旧バージョン互換(Spark 1.xおよび2.0)の動作へのフォールバックを許可します。 | 読み取り |
maxColumns |
20480 | レコードが持つことができる列数のハードリミットを定義します。 | 読み取り |
maxCharsPerColumn |
-1 | 読み取られる任意の特定の値に対して許可される最大文字数を定義します。デフォルトでは、無制限の長さを示す-1です。 | 読み取り |
mode |
PERMISSIVE | 解析中に破損したレコードを処理するためのモードを許可します。次の大文字と小文字を区別しないモードをサポートします。Sparkは、列プルーニングの下でCSV内の必要な列のみを解析しようとすることに注意してください。したがって、破損したレコードは、必要なフィールドのセットに基づいて異なる場合があります。この動作は、spark.sql.csv.parser.columnPruning.enabled (デフォルトで有効)で制御できます。
|
読み取り |
columnNameOfCorruptRecord |
(spark.sql.columnNameOfCorruptRecord 構成の値) |
PERMISSIVE モードで作成された不正な形式の文字列を持つ新しいフィールドの名前変更を許可します。これはspark.sql.columnNameOfCorruptRecord を上書きします。 |
読み取り |
multiLine |
false | ファイルごとに複数の行にまたがる可能性のある1つのレコードを解析します。CSV組み込み関数はこのオプションを無視します。 | 読み取り |
charToEscapeQuoteEscaping |
escape または \0 |
引用符文字のエスケープのエスケープに使用される単一の文字を設定します。デフォルト値は、エスケープ文字と引用符文字が異なる場合はエスケープ文字、それ以外の場合は\0 です。 |
読み取り/書き込み |
samplingRatio |
1.0 | スキーマ推論に使用する行の割合を定義します。CSV組み込み関数はこのオプションを無視します。 | 読み取り |
emptyValue |
(読み込み時)、"" (書き込み時) |
空の値の文字列表現を設定します。 | 読み取り/書き込み |
locale |
en-US | IETF BCP 47形式の言語タグとしてロケールを設定します。例えば、これは日付やタイムスタンプの解析中に使用されます。 | 読み取り |
lineSep |
\r 、\r\n 、\n (読み込み時)、\n (書き込み時) |
解析/書き込みに使用する行区切り文字を定義します。最大長は1文字です。CSV組み込み関数はこのオプションを無視します。 | 読み取り/書き込み |
unescapedQuoteHandling |
STOP_AT_DELIMITER | エスケープされていない引用符を持つ値をCsvParserがどのように処理するかを定義します。
|
読み取り |
compression |
(none) | ファイルに保存する際に使用する圧縮コーデック。これは、既知の大文字小文字を区別しない短縮名(none 、bzip2 、gzip 、lz4 、snappy 、deflate )のいずれかになります。CSV組み込み関数はこのオプションを無視します。 |
書き込み |
その他の一般的なオプションは、汎用ファイルソースオプションにあります。