使用 PySpark 在 HDFS 中保存和附加文件 [英] Save and append a file in HDFS using PySpark

问题描述

我在 PySpark 中有一个名为 df 的数据框.我已将此 df 注册为 temptable，如下所示.

I have a data frame in PySpark called df. I have registered this df as a temptable like below.

df.registerTempTable('mytempTable')

date=datetime.now().strftime('%Y-%m-%d %H:%M:%S')

现在从这个临时表中我将获得某些值，例如列 id

Now from this temp table I will get certain values, like max_id of a column id

min_id = sqlContext.sql("select nvl(min(id),0) as minval from mytempTable").collect()[0].asDict()['minval']

max_id = sqlContext.sql("select nvl(max(id),0) as maxval from mytempTable").collect()[0].asDict()['maxval']

现在我将收集所有这些值，如下所示.

Now I will collect all these values like below.

test = ("{},{},{}".format(date,min_id,max_id))

我发现test不是data frame而是str字符串

>>> type(test)
<type 'str'>

现在我想将此 test 保存为 HDFS 中的文件.我还想将数据附加到 hdfs 中的同一个文件中.

Now I want save this test as a file in HDFS. I would also like to append data to the same file in hdfs.

如何使用 PySpark 做到这一点?

How can I do that using PySpark?

仅供参考，我使用的是 Spark 1.6，但无权访问 Databricks spark-csv 包.

FYI I am using Spark 1.6 and don't have access to Databricks spark-csv package.

推荐答案

你开始吧，你只需要用 concat_ws 连接你的数据并将其作为文本进行调整:

Here you go, you'll just need to concat your data with concat_ws and right it as a text:

query = """select concat_ws(',', date, nvl(min(id), 0), nvl(max(id), 0))
from mytempTable"""

sqlContext.sql(query).write("text").mode("append").save("/tmp/fooo")

或者更好的选择:

from pyspark.sql import functions as f

(sqlContext
    .table("myTempTable")
    .select(f.concat_ws(",", f.first(f.lit(date)), f.min("id"), f.max("id")))
    .coalesce(1)
    .write.format("text").mode("append").save("/tmp/fooo"))

这篇关于使用 PySpark 在 HDFS 中保存和附加文件的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！