正确编码sc.textFile数据（python 2.7）

问题描述：

我的CSV最初是由Excel创建的。预计编码异常，我打开并重新保存文件与UTF-8 BOM encoding使用Sublime文本。正确编码sc.textFile数据（python 2.7）

导入到笔记本：

filepath = "file:///Volumes/PASSPORT/Inserts/IMAGETRAC/csv/universe_wcsv.csv" 
uverse = sc.textFile(filepath) 
header = uverse.first() 
data = uverse.filter(lambda x:x<>header)

格式化我的领域：

fields = header.replace(" ", "_").replace("/", "_").split(",")

结构化数据：

import csv 
from StringIO import StringIO 
from collections import namedtuple 

Products = namedtuple("Products", fields, verbose=True) 

def parse(row): 
    reader = csv.reader(StringIO(row)) 
    row = reader.next() 
    return Products(*row) 

products = data.map(parse)

如果我那么做products.first()，我会得到第一笔记录。但是，如果我想，说，看count by brand等运行：

products.map(lambda x: x.brand).countByValue()

我仍然得到了UnicodeEncodeError相关Py4JJavaError：

File "<ipython-input-18-4cc0cb8c6fe7>", line 3, in parse 
UnicodeEncodeError: 'ascii' codec can't encode character u'\xab' in  
position 125: ordinal not in range(128)

我怎样才能解决这个代码？

答

csv传统Python版本中的模块不支持Unicode输入。个人而言，我会建议使用星火csv数据来源：

df = spark.read.option("header", "true").csv(filepath) 
fields = [c.strip().replace(" ", "_").replace("/", "_") for c in df.columns] 
df.toDF(*fields).rdd

对于大多数应用对象应该工作以及namedtuple（它扩展tuple，并提供了类似属性的getter），但你可以轻松地跟踪一个转换到另一个。

您也可以尝试读取数据，而无需解码：

(data 
    .map(parse) 
    .map(lambda prod: Products(*[x.decode("utf-8") for x in prod])))

相关问题Reading a UTF8 CSV file with Python

：

uverse = sc.textFile(filepath, use_unicode=False)

和解码领域的初步分析后手动

正确编码sc.textFile数据（python 2.7）

相关推荐