Spark read csv

Leecy -

spark.read.csv(path) / failfast mode / options

Spark读取csv和json读取一样，都支持3种模式：

  1. permissive. 默认模式，bad record的所有字段会设置为null。
  2. dropmalformed. bad record会被直接丢弃。
  3. failfast. bad record会导致作业失败，抛出BadRecordException。

这3中模式实际上定义了应该如何处理bad record。是丢弃呢？还是设置字段为null呢？还是直接失败？

BadRecordException是在parse csv / json失败时会抛出的异常。Spark中parse csv使用UnivocityParser，parse json使用JacksonParser(fastxml.jackson)。同样，如果要知道parse过程中是否有异常需要设置mode为failfast。

csv parse两种情况会导致parse失败，一是schema.fields.length不匹配；二是字段转化为schema的对应类型失败。如果遇到读到所有的值都为null的情况，请考虑是哪种情况导致的parse失败。

val spark = SparkSession
    .builder()
    .appName("test")
    .master("local[*]")
    .getOrCreate()
  import spark.implicits._

  val csv = "a, b ,c,d,"
  val ds = Seq(csv).toDS
  val df = spark.read.csv(ds)
  df.show()
  df.write
    .option("emptyValue", "")
    .option("ignoreLeadingWhiteSpace", value = false)
    .option("ignoreTrailingWhiteSpace", value = false)
    .mode("overwrite")
    .csv("/tmp/output")

df.show()的结果如下图，注意最后一个comma会导致额外的一个null列，且c1的前缀空格和后缀空格没有被删除。而在write csv的时候为了保证产生和read完全一致的数据，需要在code中设置一些option，否则前后缀空格在write的时候会被删除，且空值会被double quotes代替。

csv格式支持的所有option及默认值请参考官方文档。