pyspark学习系列（二）读取CSV文件 为RDD或者DataFrame进行数据处理

一、本地csv文件读取：

最简单的方法：

import pandas as pd
lines = pd.read_csv(file)
lines_df = sqlContest.createDataFrame(lines)

或者采用spark直接读为RDD 然后在转换

import pandas as pd
from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *
spark=SparkSession.builder.appName("lz").getOrCreate()
sc = SparkContext.getOrCreate()

lines = sc.textFile('/Users/xdstar/Desktop/test04.csv')
如果你的csv文件有标题 的话，需要剔除首行

header = lines.first()#第一行 print(header)

lines = lines.filter(lambda row:row != header)#删除第一行

/Users/xdstar/PycharmProjects/untitled3/venv/bin/python /Users/xdstar/Desktop/sprak_test/test1.py
打印结果：
序号,省份,所属院线,影院编码,影院名称,场次编码,影片编码,影片名称,发行版本,影厅编码,放映日期,放映时间,总人数,总票房

此时lines 为RDD。如果需要转换成dataframe：

schema = StructType([StructField('HWMC',StringType(),True),StructField('code',StringType(),True)])
lines_df = sqlContest.createDataFrame(lines,schema)
二、hdfs上的csv文件读取：

1，采用先读为RDD再转换的形式

2，采用sqlContext.read.format（），这个有个前提需要提前做好依赖com.databricks.spark.csv

sqlContext = SQLContext(sc)
sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('file')

---------------------
作者：仙人掌_lz
来源：CSDN
原文：https://blog.csdn.net/qq_36603091/article/details/79626675
版权声明：本文为博主原创文章，转载请附上博文链接！