在spark csv数据框中删除列

Question

我有一个数据框架，我连接到它的所有字段。

连接后它成为另一个数据帧，最后我将其输出写入csv文件，并在其两列上进行分区。它的一列存在于第一个数据帧中，我不想包含在最终输出中。

这是我的代码：

val dfMainOutput = df1resultFinal.join(latestForEachKey, Seq("LineItem_organizationId", "LineItem_lineItemId"), "outer")
      .select($"LineItem_organizationId", $"LineItem_lineItemId",
       when($"DataPartition_1".isNotNull, $"DataPartition_1").otherwise($"DataPartition".cast(DataTypes.StringType)).as("DataPartition"),
       when($"StatementTypeCode_1".isNotNull, $"StatementTypeCode_1").otherwise($"StatementTypeCode").as("StatementTypeCode"),
       when($"FFAction_1".isNotNull, concat(col("FFAction_1"), lit("|!|"))).otherwise(concat(col("FFAction"), lit("|!|"))).as("FFAction"))
       .filter(!$"FFAction".contains("D"))

在这里，我连接并创建另一个数据帧：

val dfMainOutputFinal = dfMainOutput.select($"DataPartition", $"StatementTypeCode",concat_ws("|^|", dfMainOutput.schema.fieldNames.map(c => col(c)): _*).as("concatenated"))     

这就是我尝试过的

dfMainOutputFinal
  .drop("DataPartition")
  .write
  .partitionBy("DataPartition","StatementTypeCode")
  .format("csv")
  .option("header","true")
  .option("encoding", "\ufeff")
  .option("codec", "gzip")
  .save("path to csv")

现在我不希望在我的输出中的数据分区列。

我正在基于DataPartition进行分区，所以我没有得到，但因为DataPartition存在于主数据帧中，所以我在输出中得到它。

问题1：如何忽略Dataframe中的列

问题2：在写入实际数据之前，是否有任何方法在csv输出文件中添加“\ufeff”，以便我的编码格式成为UTF-8-BOM。

根据建议的答案

这是我已经尝试过的

 val dfMainOutputFinal = dfMainOutput.select($"DataPartition", $"StatementTypeCode",concat_ws("|^|", dfMainOutput.schema.filter(_ != "DataPartition").fieldNames.map(c => col(c)): _*).as("concatenated"))

但低于错误

<console>:238: error: value fieldNames is not a member of Seq[org.apache.spark.sql.types.StructField]
               val dfMainOutputFinal = dfMainOutput.select($"DataPartition", $"StatementTypeCode",concat_ws("|^|", dfMainOutput.schema.filter(_ != "DataPartition").fieldNames.map(c => col(c)): _*).as("concatenated"))

下面是我是否必须删除最终输出中的两列的问题

  val dfMainOutputFinal = dfMainOutput.select($"DataPartition","PartitionYear",concat_ws("|^|", dfMainOutput.schema.fieldNames.filter(_ != "DataPartition","PartitionYear").map(c => col(c)): _*).as("concatenated"))

Answer 1

问题1：如何忽略Dataframe中的列

Ans：

val df = sc.parallelize(List(Person(1,2,3), Person(4,5,6))).toDF("age", "height", "weight")

df.columns
df.show()



+---+------+------+
|age|height|weight|
+---+------+------+
|  1|     2|     3|
|  4|     5|     6|
+---+------+------+


val df_new=df.select("age", "height")
    df_new.columns
    df_new.show()

+---+------+
|age|height|
+---+------+
|  1|     2|
|  4|     5|
+---+------+

df: org.apache.spark.sql.DataFrame = [age: int, height: int ... 1 more field]
df_new: org.apache.spark.sql.DataFrame = [age: int, height: int]

问题2：有没有办法在写入我的实际数据之前在csv输出文件中添加“\ufeff”，这样我的编码格式就会变成UTF-8-BOM。

Ans：

 String path= "/data/vaquarkhan/input/unicode.csv";

 String outputPath = "file:/data/vaquarkhan/output/output.csv";
    getSparkSession()
      .read()
      .option("inferSchema", "true")
      .option("header", "true")
      .option("encoding", "UTF-8")
      .csv(path)
      .write()
      .mode(SaveMode.Overwrite)
      .csv(outputPath);
}

Answer 2

问题一：

您在df.write.partitionBy（）中使用的列不会添加到最终的csv文件中。它们会自动被忽略，因为数据是在文件结构中编码的。但是，如果您的意思是将其从concat_ws（从而从文件中）中删除，则可以做一个小的更改：

concat_ws("|^|", 
  dfMainOutput.schema.fieldNames
    .filter(_ != "DataPartition")
    .map(c => col(c)): _*).as("concatenated"))

在这里，列数据分区在连接之前被过滤掉。

问题二：

Spark似乎不支持UTF-8 BOM，并且在读取具有该格式的文件时似乎会导致问题。除了在Spark完成后编写脚本添加BOM字节外，我想不出任何简单的方法来将BOM字节添加到每个csv文件中。我建议只使用普通的UTF-8格式。

dfMainOutputFinal.write.partitionBy("DataPartition","StatementTypeCode")
  .format("csv")
  .option("header", "true")
  .option("encoding", "UTF-8")
  .option("codec", "gzip")
  .save("path to csv")

此外，根据Unicode标准，不建议使用BOM。

... UTF-8既不需要也不建议使用BOM，但在UTF-8数据从使用BOM的其他编码形式转换而来或BOM用作UTF-8签名的情况下可能会遇到。