Pyspark: 将所有压缩的csv合并成一个csv（用Python）

Question

如果我有大量的压缩csv格式的数据，我如何将其组合成一个csv文件（压缩输出与否无关紧要）？你知道吗

我正在把它读入一个spark数据帧，但是我被困在如何连接pyspark数据帧上。你知道吗

下面是我运行循环并希望为每个循环运行附加数据帧的代码：

        schema=StructType([])
        result = spark.createDataFrame(sc.emptyRDD(), schema)
        for day in range(1,31):
            day_str = str(day) if day>=10 else "0"+str(day)
            print 'Ingesting %s' % day_str
            df = spark.read.format("csv").option("header", "false").option("delimiter", "|").option("inferSchema", "true").load("s3a://key/201811%s" % (day_str))
            result = result.unionAll(df)

        result.write.save("s3a://key/my_result.csv", format='csv')

这给了我错误AnalysisException: u"Union can only be performed on tables with the same number of columns, but the first table has 0 columns and the second table has 1 columns;;\n'Union\n:- LogicalRDD\n+- Relation[_c0#75] csv\n"。有谁能帮我继续吗？你知道吗

Answer 1

这对我有用：

result=spark.createDataFrame(sc.emptyRDD(), schema_mw)

for day in range(1,31):
    day_str = str(day) if day>=10 else "0"+str(day)
    print 'Ingesting %s' % day_str

    df = spark.read.format("csv").option("header", "false").option("delimiter", ",").schema(schema_mw).load("s3a://bucket/201811%s" % (day_str))

    if result:
        result = result.union(df)
    else:
        result = df
result.repartition(1).write.save("s3a://bucket/key-Compiled", format='csv', header=False)

但是，当我在重新分区的最后一步中尝试将header加载为true时，这种方法是有效的，header存储为一行。我不知道如何添加这些标题作为标题，而不是作为一行。你知道吗