Problem

Jeśli chce zapisać DataFrame jako plik na HDFS to może się pojawić problem, że zostanie on zapisany w postaci wielu plików. Jest to jak najbardziej poprawne zachowanie i wynika to ze zrównoleglania pracy w Apache Spark. Jednak jeśli chcemy wymusić zapis do jednego pliku należy zmienić partycjonowanie DataFrame do jednej partycji. W tym celu należy przed zapisem wywołać metodę “coalesce” i podać ilość partycji.

Rozwiązanie

Poniższy przykład przedstawia w jaki sposób zapisać dowolny DataFrame to pliku CSV. Dodatkowo przedstawiłem kilka dostępnych opcji tj.:

• Mode – dostępne opcje:
  • overwrite – zawsze nadpisuje plik
  • append – dodaj do istniejącego pliku jeśli istnieje
  • igonre – zignoruj jeśli istnieje
  • error, errorIfExists, default – niech powstanie błąd jeśli plik istnieje. (opcja domyślna).
• header – czy na początku pliku ma być nagłówek
• delimiter – separator kolumn w pliku
• quoteMode – jeśli ustawimy na “true” to każda kolumna będzie zapisana pomiędzy cudzysłowie. 

myDataFrame.coalesce(1).write.format("com.databricks.spark.csv")
  .mode("overwrite")
  .option("header", "true")
  .option("delimiter", ",")
  .option("quoteMode", "true")
  .save("<output_hdfs_path>")

Jeśli spodobał Ci się ten post to zostaw proszę komentarz poniżej oraz udostępnij ten post na swoim Facebook’u, Twitter’ze, LinkedIn lub innej stronie z mediami społecznościowymi.
Dzięki!