hadoop如何在spark中用java读取xls和xlsx文件？

Question

我想在spark中逐行读取xls和xlsx（MS Excel）文件，就像我们读取文本文件一样，或者以任何方式

我想使用spark来提高读取大型xls文件（比如1GB）的性能，这就是为什么我需要spark像读取文本文件一样读取文件的部分

如何从spark中的excel文件中读取数据，无论数据是否逐行读取

我只想用spark读取xls文件中的条目

请建议

谢谢

Answer 1

您可以尝试使用Spark（https://github.com/ZuInnoTe/hadoopoffice/wiki）读取/写入HadoopOffice库中的Excel文件。它支持加密Excel、链接工作簿、按元数据过滤

Answer 2

你不能用spark来做这件事。这不是为它准备的。使用其他库，例如Apache POI读取excel，然后将数据作为文本输入spark

Answer 3

以下是我的做法

在maven中添加依赖项

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.4.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_2.11</artifactId>
        <version>2.4.2</version>
    </dependency>
    <dependency>
        <groupId>com.crealytics</groupId>
        <artifactId>spark-excel_2.11</artifactId>
        <version>0.11.1</version>
    </dependency>
</dependencies>

我的主课

import org.apache.log4j.Level;
import org.apache.log4j.Logger;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

public class ReadExcelSheets {

    public static void main(String[] args) {
        //skip logging extras
        Logger.getLogger("org").setLevel(Level.ERROR);

       //build session
        SparkSession spark = SparkSession
                .builder()
                .appName("Java Spark SQL Example")
                .config("spark.master", "local")
                .getOrCreate();

        //read excel - change file name
        Dataset<Row> df = spark.read()
                .format("com.crealytics.spark.excel")
                .option("useHeader", "true")
                //.option("dataAddress", "'Sheet1'!A1:M1470") // optional when you want to read sheets where A1 first top cell and M1470 us very bottom left of sheet.
                .load("datasets/test1.xlsx");
        //show your data
        df.show();
    }
}

Answer 4

虽然这个问题有点老了，但我仍在回答。也许对其他人有用。 答案是肯定的，你可以用ApacheSpark2来实现。x、 假设您想要将一个包含3列的xls转换为数据集

  class Bean {
     private String col1;
     private String col2;   
     private Timestamp col3;
}

StructType structType= new StructType(new StructField[] {
                new StructField("col1", DataTypes.StringType, true, Metadata.empty()),
                new StructField("col2", DataTypes.StringType, true, Metadata.empty()),
                new StructField("col3", DataTypes.TimestampType, true, Metadata.empty())
        });

Dataset<Bean> ds = sparkSession.read().
                schema(structType).
                format("com.crealytics.spark.excel").
                option("useHeader", true). // If the xls file has headers
                option("timestampFormat", "yyyy-MM-dd HH:mm:ss"). // If you want to convert timestamp to a specific format
                option("treatEmptyValuesAsNulls", "false").
                option("inferSchema", "false").
                option("addColorColumns", "false").
                load("/home/user/test/sample.xls"). //path to xls or xlsx
                as(Encoders.bean(Bean.class)); // Bean in which you want to convert the data, you can remove this line if Dataset<Row> is just fine for you