CSV ファイル
Spark SQLは、CSV形式のファイルまたはファイルのディレクトリをSpark DataFrameに読み込むためのspark.read().csv("file_name")
と、CSVファイルに書き込むためのdataframe.write().csv("path")
を提供します。関数option()
を使って、ヘッダ、区切り文字、文字セットなどの動作の制御と、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。
// 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|
// +-----------+
例の完全なコードは Spark のリポジトリの "examples/src/main/scala/org/apache/spark/examples/sql/SQLDataSourceExample.scala" で見つかります。
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|
// +-----------+
例の完全なコードは Spark のリポジトリの "examples/src/main/java/org/apache/spark/examples/sql/JavaSQLDataSourceExample.java" で見つかります。
# 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|
# +-----------+
例の完全なコードは Spark のリポジトリの "examples/src/main/python/sql/datasource.py" で見つかります。
データソース オプション
Data source options of CSV can be set via:
- the
.option
/.options
methods ofDataFrameReader
DataFrameWriter
DataStreamReader
DataStreamWriter
- the built-in functions below
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ための区切り文字を設定します。この区切り文字は1つ以上の文字にすることができます。 | read/write |
encoding |
UTF-8 | 読み込みの場合、指定されたエンコード型で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ド(文字セット)を指定します。 | read/write |
quote |
" | 区切り文字を値の一部にすることができる、引用符で囲まれた値をエスケープするために使われる単一の文字を設定します。読み込みの場合、引用符をオフにしたい場合は、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、u0000 (null character)を使います。 |
read/write |
quoteAll |
false | 全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、引用符を含む値のみをエスケープします。 | write |
escape |
\ | すでに引用符で囲まれた値内で引用符をエスケープするために使われる単一の文字を設定します。 | read/write |
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、引用符を含む全ての値をエスケープします。 | write |
comment |
この文字で始まる行をスキップするために使わ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。 | read | |
header |
false | 読み込みの場合、最初の行を列の名前として使います。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、このヘッダオプションはヘッダと同じ行が存在する場合はヘッダと同じ全ての行を削除することに注意してください。 | read/write |
inferSchema |
false | データから入力スキーマを自動的に推測します。It requires one extra pass over the data. | read |
enforceSchema |
true | true に設定すると、指定または推測されたスキーマが強制的にデータソースファイルに適用されます。CSVファイルのヘッダは無視されます。,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はスキーマはCSVファイルの全てのヘッダに対して検証されます。スキーマのフィールド名とCSVヘッダのカラム名は、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、誤った結果を回避するために、enforceSchema オプションを無効にすることをお勧めします。 |
read |
ignoreLeadingWhiteSpace |
false (読み取り用)、true (書き込み用) |
読み込み/書き込みされている値の先頭の空白をスキップする必要があるかどうかを示すフラグ。 | read/write |
ignoreTrailingWhiteSpace |
false (読み取り用)、true (書き込み用) |
読み込み/書き込みされている値の末尾の空白をスキップする必要があるかどうかを示すフラグ。 | read/write |
nullValue |
null値の文字列表現を設定します。2.0.1以降、このnullValue パラメータは文字列型を含むサポートされる全ての型に適用されます。 |
read/write | |
nanValue |
NaN | 非数値の文字列表現を設定します。 | read |
positiveInf |
Inf | 静の無限大値の文字列表現を設定します。 | read |
negativeInf |
-Inf | 負の無限大値の文字列表現を設定します。 | read |
dateFormat |
yyyy-MM-dd | 日付フォーマットを示す文字列を設定します。独自の日付フォーマットはDatetime 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。 | read/write |
timestampFormat |
yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] | タイムスタンプフォーマットを示す文字列を設定します。独自の日付フォーマットはDatetime 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。 | read/write |
maxColumns |
20480 | レコードのカラム数のハードリミットを定義します。 | read |
maxCharsPerColumn |
-1 | 読み込まれる特定の値に許可される最大文字数を定義します。デフォルトは-1で、長さが無制限であることを意味します | read |
モード |
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。Note that Spark tries to parse only required columns in CSV under column pruning. 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可能性があります。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。
|
read |
columnNameOfCorruptRecord |
(spark.sql.columnNameOfCorruptRecord 設定の値) |
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を変更できます。これは、spark.sql.columnNameOfCorruptRecord を上書きします。 |
read |
multiLine |
false | ファイルごとに複数行にまたがる可能性のあるレコードを解析します。 | read |
charToEscapeQuoteEscaping |
escape または\0 |
引用文字のエスケープをエスケープするために使わ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 。 |
read/write |
samplingRatio |
1.0 | スキーマの推測に使われる行の割合を定義します。 | read |
emptyValue |
(読み込み用)、"" (書き込み用) |
空の値の文字列表現を設定します。 | read/write |
locale |
en-US | ロケールをIETF BCP 47形式の言語タグとして設定します。例えば、これは日付とタイムスタンプを解析する時に使われます。 | read |
lineSep |
\r 、\r\n と\n (読み込み用)、\n (書き込み用) |
解析/書き込みに使われる行区切り文字を定義します。最大長は1文字です。 | read/write |
unescapedQuoteHandling |
STOP_AT_DELIMITER | CsvParserがエスケープされていない引用符を含む値を処理する方法を定義します。
|
read |
圧縮 |
(none) | ファイルに保存する時に使う圧縮コーディック。大文字と小文字を区別しない既知の短縮名の1つです(none 、bzip2 、gzip 、lz4 、snappy 、deflate )。 |
write |
その他の汎用オプションは、汎用ファイルソースオプションにあります。