以下內容在spark2.2和spark2.3中測試都通過

通用轉換形式：

spark.read.schema(sch).option("header", true).csv("/path/file.csv")

注意以下幾點：

• csv會完全按照指定的schema結構進行轉換，若不指定schema預設都解析為StringType（若指定了option("inferSchema", true)會遍歷資料推斷型別）。

• 列的順序和指定schema中列的順序是一致的，這點不像json，json會進行列名對應，但是csv不會，只會根據順序判斷（即使指定了option("header", true)

  也無效，會將header中列名進行覆蓋）。

• 若schema列數多於原始資料列數，schema最後面多出的列會為null。

• 若schema列數少於原始資料列數，只會取原始資料中前面的列，原始資料多出的列的資料將被忽略。

看下面的例子：

import org.apache.spark.sql.types._
val sch = StructType(
StructField("col1", LongType)::
StructField("age", StringType)::
Nil
)

val s1 = "\"id\""
val s2 = "\"1\""
val ds = spark.createDataset(Seq(s1, s2))
ds.show(false
 
)
+-----+
|value|
+-----+
|"id" |
|"1"  |
+-----+

val df = spark.read.schema(sch).option("header", true).csv(ds)
df.show(false)
+----+----+
|col1|age |
+----+----+
|1   |null|
+----+----+

val s1 = "\"id\",\"name\",\"age\",\"text\""
val s2 = "\"1\",\"張三\",\"23\",\"你好\""
val ds = spark.createDataset(Seq(s1, s2))
ds.show(false
 
)
+------------------------+
|value                   |
+------------------------+
|"id","name","age","text"|
|"1","張三","23","你好"   |
+------------------------+

val df = spark.read.schema(sch).option("header", true).csv(ds)
df.show(false)
+----+---+
|col1|age|
+----+---+
|1   |張三|
+----+---+