处理Spark数据框中的非均匀JSON列

问题内容：

我想知道将换行符分隔的JSON文件读入数据帧的最佳实践是什么。至关重要的是，每个记录中的（必填）字段之一映射到一个不能保证具有相同子字段的对象（即，架构在所有记录中都是不一致的）。

例如，输入文件可能看起来像：

{"id": 1, "type": "foo", "data": {"key0": "foo", "key2": "meh"}}
{"id": 2, "type": "bar", "data": {"key2": "poo", "key3": "pants"}}
{"id": 3, "type": "baz", "data": {"key3": "moo"}}

在这种情况下，字段id，type和data将出现在所有记录中，但映射到的结构data将具有异构模式。

我有两种方法可以解决data列的不均匀性：

让火花来推断模式：

df = spark.read.options(samplingRatio=1.0).json(‘s3://bucket/path/to/newline_separated_json.txt’)

这种方法的明显问题是需要对每条
记录进行采样，以确定最终方案的字段/方案的超集。给定一个数据集的记录数以亿计的低记录，这可能会过高地昂贵？要么…

告诉火花数据字段对象转换成JSON字符串，然后只是有一个架构由三个顶级字符串字段的，id，type，data。在这里，我不太确定最好的进行方法。例如，我假设仅声明该data字段为字符串，如下所示，将不起作用，因为它没有明确地执行json.dumps？的等效操作。

schema = StructType([
StructField(“id”, StringType(), true),
StructField(“type”, StringType(), true),
StructField(“data”, StringType(), true)
])
df = spark.read.json(‘s3://bucket/path/to/newline_separated_json.txt’, schema=schema)

如果我想避免扫描选项1引起的整个数据集的开销，什么是摄取此文件并将data字段保留为JSON字符串的最佳方法？

谢谢

问题答案：

我认为您的尝试和总体构想是朝着正确的方向发展的。这是基于aka get_json_object/内置选项（from_json通过dataframe
API）map以及基于pythonjson.dumps()和json.loads()RDD API的转换的另外两种方法。

选项1： get_json_object（） / from_json（）

首先让我们尝试一下get_json_object()不需要模式的方法：

import pyspark.sql.functions as f

df = spark.createDataFrame([
  ('{"id": 1, "type": "foo", "data": {"key0": "foo", "key2": "meh"}}'),
  ('{"id": 2, "type": "bar", "data": {"key2": "poo", "key3": "pants"}}'),
  ('{"id": 3, "type": "baz", "data": {"key3": "moo"}}')
], StringType())

df.select(f.get_json_object("value", "$.id").alias("id"), \
          f.get_json_object("value", "$.type").alias("type"), \
           f.get_json_object("value", "$.data").alias("data"))

# +---+----+-----------------------------+
# |id |type|data                         |
# +---+----+-----------------------------+
# |1  |foo |{"key0":"foo","key2":"meh"}  |
# |2  |bar |{"key2":"poo","key3":"pants"}|
# |3  |baz |{"key3":"moo"}               |
# +---+----+-----------------------------+

相反，from_json()需要架构定义：

from pyspark.sql.types import StringType, StructType, StructField
import pyspark.sql.functions as f

df = spark.createDataFrame([
  ('{"id": 1, "type": "foo", "data": {"key0": "foo", "key2": "meh"}}'),
  ('{"id": 2, "type": "bar", "data": {"key2": "poo", "key3": "pants"}}'),
  ('{"id": 3, "type": "baz", "data": {"key3": "moo"}}')
], StringType())

schema = StructType([
    StructField("id", StringType(), True),
    StructField("type", StringType(), True),
    StructField("data", StringType(), True)
])

df.select(f.from_json("value", schema).getItem("id").alias("id"), \
         f.from_json("value", schema).getItem("type").alias("type"), \
         f.from_json("value", schema).getItem("data").alias("data"))

# +---+----+-----------------------------+
# |id |type|data                         |
# +---+----+-----------------------------+
# |1  |foo |{"key0":"foo","key2":"meh"}  |
# |2  |bar |{"key2":"poo","key3":"pants"}|
# |3  |baz |{"key3":"moo"}               |
# +---+----+-----------------------------+

选项2：map / RDD API + json.dumps（）

from pyspark.sql.types import StringType, StructType, StructField
import json

df = spark.createDataFrame([
  '{"id": 1, "type": "foo", "data": {"key0": "foo", "key2": "meh"}}',
  '{"id": 2, "type": "bar", "data": {"key2": "poo", "key3": "pants"}}',
  '{"id": 3, "type": "baz", "data": {"key3": "moo"}}'
], StringType())

def from_json(data):
  row = json.loads(data[0])
  return (row['id'], row['type'], json.dumps(row['data']))

json_rdd = df.rdd.map(from_json)

schema = StructType([
    StructField("id", StringType(), True),
    StructField("type", StringType(), True),
    StructField("data", StringType(), True)
])

spark.createDataFrame(json_rdd, schema).show(10, False)

# +---+----+--------------------------------+
# |id |type|data                            |
# +---+----+--------------------------------+
# |1  |foo |{"key2": "meh", "key0": "foo"}  |
# |2  |bar |{"key2": "poo", "key3": "pants"}|
# |3  |baz |{"key3": "moo"}                 |
# +---+----+--------------------------------+

函数from_json会将字符串行转换为的元组(id, type, data)。json.loads（）将解析json字符串并返回一个字典，通过该字典我们生成并返回最终的元组。

处理Spark数据框中的非均匀JSON列

微信关注