CSVファイルの読み取り
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の例を示します。
注:
Databricksでは、SQLユーザーによるCSVファイルの読み込みに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。
一時的なビューを使用することもできます。一時ビューまたは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を指定することはできません。
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オプションについては、次のApache Sparkの参考記事をご覧ください。
この記事ではCSVの読み取りのみを対象としていますが、サポートされている書き込みオプションについては、次のApache Sparkの参考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(サポート終了)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。
指定されたスキーマに存在しない
指定されたスキーマのデータ型と一致しない
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ない
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。レスキュー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構成にspark.conf.set("spark.databricks.sql.rescuedDataColumn.filePath.enabled", "false")
を設定します。レスキューされたデータ列を有効にするには、 spark.read.option("rescuedDataColumn", "_rescued_data").format("csv").load(<path>)
を使用した _rescued_data
など、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。
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を読み取り、サンプルデータを表示し、データスキーマを印刷する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ています。データセットへのパスと、必要なオプションを指定してください。