如何在 Spark 中创建空数据帧

我有一组基于 Avro 的配置单元表，我需要从中读取数据。由于Spark-SQL使用hive serdes从HDFS读取数据，因此比直接读取HDFS慢很多。因此，我使用数据块 Spark-Avro jar 从底层 HDFS 目录读取 Avro 文件。

一切正常，除非桌子是空的。我已设法使用以下命令从 hive 表的 .avsc 文件中获取架构，但收到错误“未找到 Avro 文件"

val schemaFile = FileSystem.get(sc.hadoopConfiguration).open(new Path("hdfs://myfile.avsc"));

val schema = new Schema.Parser().parse(schemaFile);

spark.read.format("com.databricks.spark.avro").option("avroSchema", schema.toString).load("/tmp/myoutput.avro").show()

解决方法：

我已在该目录中放置了一个空文件，并且同样的工作正常。

还有其他方法可以达到同样的目的吗？比如conf设置什么的？

您不需要使用emptyRDD。以下是 PySpark 2.4 对我有用的内容：

empty_df = spark.createDataFrame([], schema) # spark is the Spark Session

如果您已经有另一个数据帧的模式，您可以这样做：

schema = some_other_df.schema

如果不这样做，则手动创建空数据框的架构，例如：

schema = StructType([StructField("col_1", StringType(), True),
                     StructField("col_2", DateType(), True),
                     StructField("col_3", StringType(), True),
                     StructField("col_4", IntegerType(), False)]
                     )

我希望这有帮助。