CSV ファイルの読み取りと書き込み
この記事では、Python、Scala、R、および SQL を使用した Databricks での CSV ファイルの読み取りと書き込みの例を示します。
注:
Databricks では、SQL ユーザーが CSV ファイルを読み取るためにread_files テーブル値関数を推奨しています。 read_files
は Databricks Runtime 13.3 LTS 以降で使用できます。
また、一時的なビューを使用することもできます。 一時ビューや read_files
を使用せずに SQL を使用して CSV データを直接読み取る場合は、次の制限が適用されます。
データソースのオプションは指定できません。
データのスキーマを指定する ことはできません。
オプション
CSV ファイルのデータソースに対して複数のオプションを構成することができます。サポートされている読み取り/書き込みオプションについては、次の Apache Spark 参照記事をご覧ください。
不正な形式の CSV レコード を操作する
指定されたスキーマを持つ CSV ファイルを読み取る場合、ファイル内のデータがスキーマと一致しない可能性があります。例えば、都市の名前を含むフィールドは整数として解析されません。パーサーが実行されるモードによって結果は異なります。
PERMISSIVE
(デフォルト): 正しく解析されなかったフィールドに null が挿入されますDROPMALFORMED
: 解析されなかったフィールドを含む行を削除しますFAILFAST
: 不正な形式のデータが見つかった場合に読み取りを中止します
モードを設定するには、mode
オプションを使用します。
diamonds_df = (spark.read
.format("csv")
.option("mode", "PERMISSIVE")
.load("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv")
)
PERMISSIVE
モードでは、次のいずれかの方法を使用して、正しく解析されなかった行を検査することができます。
破損したレコードをファイルに記録するために
badRecordsPath
オプションにカスタムパスを指定できます。DataFrameReader に提供されたスキーマに列
_corrupt_record
を追加して、結果の DataFrame内の破損したレコードを確認できます。
注:
badRecordsPath
オプションは _corrupt_record
よりも優先されます。つまり、指定されたパスに書き込まれた不正な形式の行は、結果の DataFrame には表示されません。
不正な形式のレコードに対するデフォルトの動作は、レスキューされたデータ列を使用する場合には変化します。
レスキューされたデータ列
注:
この機能は、Databricks Runtime 8.3 (サポート対象外) 以降のバージョンでサポートされています。
PERMISSIVE
モードを使用する場合、レスキューされたデータ列を有効にして、レコード内の 1 つ以上のフィールドに次のいずれかの問題があるために解析されなかったデータをキャプチャできます。
指定されたスsキーマにはありません。
指定されたスキーマのデータ型と一致しません。
指定されたスキーマのフィールド名と大文字小文字の組み合わせが一致しません。
レスキューされたデータ列は、レスキューされた列とレコードのソースファイルパスを含む JSON ドキュメントとして返されます。 復旧されたデータ列からソースファイルパスを削除するには、SQL構成 spark.conf.set("spark.databricks.sql.rescuedDataColumn.filePath.enabled", "false")
を設定します。 復旧されたデータ列を有効にするには、データを読み取るときにオプション rescuedDataColumn
を列名に設定します ( _rescued_data
with spark.read.option("rescuedDataColumn", "_rescued_data").format("csv").load(<path>)
など)。
CSV パーサーは、レコードの解析時に PERMISSIVE
、 DROPMALFORMED
、および FAILFAST
の 3 つのモードで対応します。rescuedDataColumn
と組み合わせて使用すると、データ型の不一致によって DROPMALFORMED
モードでレコードが削除されたり、 FAILFAST
モードでエラーがスローされたりすることはありません。破損したレコード(不完全または不正な形式の CSV)のみが削除されるか、エラーがスローされます。
rescuedDataColumn
をPERMISSIVE
モードで使用すると、破損したレコードには次の規則が適用されます。
ファイルの最初の行 (ヘッダー行またはデータ行) は、予想される行の長さを設定します。
列数が異なる行は不完全と見なされます。
データ型の不一致は、破損したレコードとは見なされません。
不完全で不正な形式の CSV レコードのみが破損していると見なされ、
_corrupt_record
列またはbadRecordsPath
に記録されます。
SQL の例: CSV ファイルの読み取り
次の SQL の例では、 read_files
を使用して CSV ファイルを読み取ります。
-- mode "FAILFAST" aborts file parsing with a RuntimeException if malformed lines are encountered
SELECT * FROM read_files(
's3://<bucket>/<path>/<file>.csv',
format => 'csv',
header => true,
mode => 'FAILFAST')
Scala、R、Python の例: CSV ファイルの読み取り
次のノートブックは、Scala、R、Python を使用して、ファイルの読み取り、サンプル データの表示、データ スキーマの印刷を行う方法を示しています。 このセクションの例では、 ダイヤモンド データセットを使用します。 データセットへのパスと、必要なオプションを指定します。