Ich bin neu bei PySpark und stehe vor einem seltsamen Problem. Ich versuche, eine Spalte beim Laden eines CSV-Datasets auf nicht nullwertfähig zu setzen. Ich kann meinen Fall mit einem sehr kleinen Datensatz reproduzieren test.csv):

col1,col2,col3
11,12,13
21,22,23
31,32,33
41,42,43
51,,53

Zeile 5, Spalte 2 enthält einen Nullwert, und ich möchte diese Zeile nicht in meinen DF aufnehmen. Ich habe alle Felder als nicht nullbar festgelegt nullable=false) aber ich bekomme ein Schema mit allen drei Spalten mitnullable=true. Dies passiert auch, wenn ich alle drei Spalten als nicht nullbar einstelle! Ich verwende die neueste verfügbare Version von Spark, 2.0.1.

Hier ist der Code:

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

spark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

struct = StructType([   StructField("col1", StringType(), False), \
                        StructField("col2", StringType(), False), \
                        StructField("col3", StringType(), False) \
                    ])

df = spark.read.load("test.csv", schema=struct, format="csv", header="true")

df.printSchema() kehrt zurück

root
 |-- col1: string (nullable = true)
 |-- col2: string (nullable = true)
 |-- col3: string (nullable = true)

unddf.show() kehrt zurück

+----+----+----+
|col1|col2|col3|
+----+----+----+
|  11|  12|  13|
|  21|  22|  23|
|  31|  32|  33|
|  41|  42|  43|
|  51|null|  53|
+----+----+----+

während ich das erwarte:

root
 |-- col1: string (nullable = false)
 |-- col2: string (nullable = false)
 |-- col3: string (nullable = false)

+----+----+----+
|col1|col2|col3|
+----+----+----+
|  11|  12|  13|
|  21|  22|  23|
|  31|  32|  33|
|  41|  42|  43|
+----+----+----+