如何将pyspark数据帧写入HDFS,然后如何将其读回数据帧？

Question

我有一个非常大的pyspark数据帧.所以我想对它的子集执行预处理,然后将它们存储到hdfs.后来我想阅读所有这些并合并在一起.谢谢.

Answer 1

• 将DataFrame写入HDFS(Spark 1.6).

  df.write.save('/target/path/', format='parquet', mode='append') ## df is an existing DataFrame object.
  

一些格式的选项是csv,parquet,json等.

• 从HDFS(Spark 1.6)读取DataFrame.

  sqlContext.read.format('parquet').load('/path/to/file') 
  

格式方法采用参数如parquet,csv,json等.