我试图在使用pyspark保存CSV压缩文件时设置正确的编码。在
我的测试是:
# read main tabular data
sp_df = spark.read.csv(file_path, header=True, sep=';', encoding='cp1252')
sp_df.show(5)
+----------+---------+--------+---------+------+
| Date| Zone| Duree| Type|Volume|
+----------+---------+--------+---------+------+
|2019-01-16|010010000| 30min3h|Etrangers| 684|
|2019-01-16|010010000| 30min3h| Français| 21771|
|2019-01-16|010010000|Inf30min|Etrangers| 7497|
|2019-01-16|010010000|Inf30min| Français| 74852|
|2019-01-16|010010000| Sup3h|Etrangers| 429|
+----------+---------+--------+---------+------+
only showing top 5 rows
我们可以看到,使用编码CP1252对数据进行了正确的解释。问题是,当我使用CP1252编码将数据保存到CSV gzip压缩文件中并进行检查时,特殊字符没有被很好地解码:
^{pr2}$有什么想法吗? 我用的是spark 2.3
根据official documentation,编码是一个选项,您应该直接将它放在
csv
方法中,就像您使用它进行读取一样。在成为
^{pr2}$您编写它的方式被
csv
方法encoding=None
的默认参数覆盖,这将导致UTF-8编码。在相关问题 更多 >
编程相关推荐