Spark dataframe保存在hdfs位置上的单个文件中[重复]

Question

我有dataframe，我想在hdfs位置上保存在单个文件中。

我在这里找到了解决方案，使用spark-csv编写单个CSV文件

df.coalesce(1)
    .write.format("com.databricks.spark.csv")
    .option("header", "true")
    .save("mydata.csv")

这可能吗？

任何帮助都很感激

Answer 1

使用标准的spark库是不可能的，但是可以使用Hadoop API来管理文件系统--将输出保存在临时目录中，然后将文件移动到请求的路径。例如（在pyspark中）：

df.coalesce(1) \
    .write.format("com.databricks.spark.csv") \
    .option("header", "true") \
    .save("mydata.csv-temp")

from py4j.java_gateway import java_import
java_import(spark._jvm, 'org.apache.hadoop.fs.Path')

fs = spark._jvm.org.apache.hadoop.fs.FileSystem.get(spark._jsc.hadoopConfiguration())
file = fs.globStatus(sc._jvm.Path('mydata.csv-temp/part*'))[0].getPath().getName()
fs.rename(sc._jvm.Path('mydata.csv-temp/' + file), sc._jvm.Path('mydata.csv'))
fs.delete(sc._jvm.Path('mydata.csv-temp'), True)