如何读取多个Excel文件并将它们连接成一个Apache Spark DataFrame？

Question

最近，我想做Spark Summit 2016的Spark机器学习实验室。培训视频为here，导出的笔记本电脑可在here.上使用

实验中使用的数据集可以从UCI Machine Learning Repository下载。它包含了一组来自燃气发电厂各种传感器的读数。格式为五张纸的xlsx文件。

为了使用实验室中的数据，我需要从Excel文件中读取所有的表格，并将它们连接到一个Spark DataFrame中。在培训期间，他们使用的是Databricks Notebook，而我使用的是IntelliJ IDEA和Scala，并在控制台中评估代码。

第一步是将所有的Excel表格保存到单独的名为sheet1.xlxs、sheet2.xlsx等的xlsx文件中，并将它们放入sheets目录中。

如何读取所有的Excel文件并将它们连接到一个Apache Spark DataFrame中？

Answer 1

为此，我使用了spark-excel包。它可以作为：libraryDependencies += "com.crealytics" %% "spark-excel" % "0.8.2"添加到build.sbt文件中

在IntelliJ IDEA Scala控制台中执行的代码是：

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{SparkSession, DataFrame}
import java.io.File

val conf = new SparkConf().setAppName("Excel to DataFrame").setMaster("local[*]")
val sc = new SparkContext(conf)
sc.setLogLevel("WARN")

val spark = SparkSession.builder().getOrCreate()

// Function to read xlsx file using spark-excel. 
// This code format with "trailing dots" can be sent to IJ Scala Console as a block.
def readExcel(file: String): DataFrame = spark.read.
  format("com.crealytics.spark.excel").
  option("location", file).
  option("useHeader", "true").
  option("treatEmptyValuesAsNulls", "true").
  option("inferSchema", "true").
  option("addColorColumns", "False").
  load()

val dir = new File("./data/CCPP/sheets")
val excelFiles = dir.listFiles.sorted.map(f => f.toString)  // Array[String]

val dfs = excelFiles.map(f => readExcel(f))  // Array[DataFrame]
val ppdf = dfs.reduce(_.union(_))  // DataFrame 

ppdf.count()  // res3: Long = 47840
ppdf.show(5)

控制台输出：

+-----+-----+-------+-----+------+
|   AT|    V|     AP|   RH|    PE|
+-----+-----+-------+-----+------+
|14.96|41.76|1024.07|73.17|463.26|
|25.18|62.96|1020.04|59.08|444.37|
| 5.11| 39.4|1012.16|92.14|488.56|
|20.86|57.32|1010.24|76.64|446.48|
|10.82| 37.5|1009.23|96.62| 473.9|
+-----+-----+-------+-----+------+
only showing top 5 rows 

Answer 2

希望这段Spark Scala代码能有所帮助。

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{Path, FileSystem}
import org.apache.spark.deploy.SparkHadoopUtil
import org.apache.spark.sql.execution.datasources.InMemoryFileIndex
import java.net.URI

def listFiles(basep: String, globp: String): Seq[String] = {
  val conf = new Configuration(sc.hadoopConfiguration)
  val fs = FileSystem.get(new URI(basep), conf)

  def validated(path: String): Path = {
    if(path startsWith "/") new Path(path)
    else new Path("/" + path)
  }

  val fileCatalog = InMemoryFileIndex.bulkListLeafFiles(
    paths = SparkHadoopUtil.get.globPath(fs, Path.mergePaths(validated(basep), validated(globp))),
    hadoopConf = conf,
    filter = null,
    sparkSession = spark)

  fileCatalog.flatMap(_._2.map(_.path))
}

val root = "/mnt/{path to your file directory}"
val globp = "[^_]*"

val files = listFiles(root, globp)
val paths=files.toVector

循环向量以读取多个文件：

for (path <- paths) {
     print(path.toString)

     val df= spark.read.
                   format("com.crealytics.spark.excel").
                   option("useHeader", "true").
                   option("treatEmptyValuesAsNulls", "false").
                   option("inferSchema", "false"). 
                   option("addColorColumns", "false").
                   load(path.toString)
}

Answer 3

我们需要spark-excel库来做这个，可以从

https://github.com/crealytics/spark-excel#scala-api

1. 从上面的github链接克隆git项目，并使用"sbt package“
2. 构建，使用Spark2运行spark-shell

。

spark-shell --驱动程序类路径。/spark-excel_2.11-0.8.3.jar--=yarn-client

1. 导入必要的

导入org.apache.spark.sql._

导入org.apache.spark.sql.functions._

val sqlContext = new SQLContext(sc)

1. 设置excel文档路径

val document = "path to excel doc"

1. 执行以下函数以从中创建数据帧

val dataDF = sqlContext.read .format("com.crealytics.spark.excel") .option("sheetName"，"Sheet Name") .option("useHeader"，"true") .option("treatEmptyValuesAsNulls"，"false") .option("inferSchema"，"false") .option("location"，document) .option("addColorColumns"，"false") .load(文档)

就这样!现在，您可以对dataDF对象执行数据帧操作。