Apache Spark Dataframe - 从 CSV 文件的第 n 行加载数据

Question

我想处理一个巨大的订单 CSV 文件 (5GB)，文件开头有一些元数据行。标题列在第 4 行（以“h,”开头）表示，后跟另一个元数据行，描述可选性。数据行以“d”开头，

m,Version,v1.0
m,Type,xx
m,<OtherMetaData>,<...>
h,Col1,Col2,Col3,Col4,Col5,.............,Col100
m,Mandatory,Optional,Optional,...........,Mandatory
d,Val1,Val2,Val3,Val4,Val5,.............,Val100

加载文件时是否可以跳过指定数量的行并对 DataSet 使用“inferSchema”选项？

Dataset<Row> df = spark.read()
            .format("csv")
            .option("header", "true")
            .option("inferSchema", "true")
            .load("\home\user\data\20170326.csv");

或者我是否需要定义两个不同的数据集并使用“except(Dataset other)”来排除包含要忽略的行的数据集？

Answer 1

您可以尝试将该"comment"选项设置为"m"，有效地告诉 csv 阅读器跳过以"m"字符开头的行。

df = spark.read()
          .format("csv")
          .option("header", "true")
          .option("inferSchema", "true")
          .option("comment", "m")
          .load("\home\user\data\20170326.csv")