Pyspark：将列中的json分解为多列

Question

数据是这样的——

+-----------+-----------+-----------------------------+
|         id|      point|                         data|
+-----------------------------------------------------+
|        abc|          6|{"key1":"124", "key2": "345"}|
|        dfl|          7|{"key1":"777", "key2": "888"}|
|        4bd|          6|{"key1":"111", "key2": "788"}|

我正在尝试将其分解为以下格式。

+-----------+-----------+-----------+-----------+
|         id|      point|       key1|       key2|
+------------------------------------------------
|        abc|          6|        124|        345|
|        dfl|          7|        777|        888|
|        4bd|          6|        111|        788|

explode 函数将数据框分解为多行。但这不是理想的解决方案。

注意：此解决方案无法回答我的问题。 PySpark "explode" dict in column

Answer 1

只要您使用的是 Spark 2.1 或更高版本，pyspark.sql.functions.from_json 应该会得到您想要的结果，但您需要先定义所需的 schema

from pyspark.sql.functions import from_json, col
from pyspark.sql.types import StructType, StructField, StringType

schema = StructType(
    [
        StructField('key1', StringType(), True),
        StructField('key2', StringType(), True)
    ]
)

df.withColumn("data", from_json("data", schema))\
    .select(col('id'), col('point'), col('data.*'))\
    .show()

这应该给你

+---+-----+----+----+
| id|point|key1|key2|
+---+-----+----+----+
|abc|    6| 124| 345|
|df1|    7| 777| 888|
|4bd|    6| 111| 788|
+---+-----+----+----+

Answer 2

正如@pault 所建议的，数据字段是string 字段。由于行中的 JSON 字符串中的键是相同的（即 'key1'、'key2'），您还可以使用 json_tuple()（根据文档，此功能是版本 1.6 中的新功能）

from pyspark.sql import functions as F

df.select('id', 'point', F.json_tuple('data', 'key1', 'key2').alias('key1', 'key2')).show()

下面是我的原始帖子：如果原始表来自df.show(truncate=False)，则很可能是错误，因此data字段不是python数据结构.

由于您已将数据分解为行，我假设列 data 是 Python 数据结构而不是字符串：

from pyspark.sql import functions as F

df.select('id', 'point', F.col('data').getItem('key1').alias('key1'), F.col('data')['key2'].alias('key2')).show()

Answer 3

这适用于我的用例

data1 = spark.read.parquet(path)
json_schema = spark.read.json(data1.rdd.map(lambda row: row.json_col)).schema
data2 = data1.withColumn("data", from_json("json_col", json_schema))
col1 = data2.columns
col1.remove("data")
col2 = data2.select("data.*").columns
append_str ="data."
col3 = [append_str + val for val in col2]
col_list = col1 + col3
data3 = data2.select(*col_list).drop("json_col")

Answer 4

正如@jxc 所提到的，json_tuple 应该可以正常工作，如果您无法事先定义架构并且您只需要处理单级 json 字符串。我认为它更直接且更易于使用。奇怪的是，我之前没有发现其他人提到过这个功能。

在我的用例中，原始数据框架构：StructType(List(StructField(a,StringType,true)))，json 字符串列显示为：

+---------------------------------------+
|a                                      |
+---------------------------------------+
|{"k1": "v1", "k2": "2", "k3": {"m": 1}}|
|{"k1": "v11", "k3": "v33"}             |
|{"k1": "v13", "k2": "23"}              |
+---------------------------------------+

使用json_tuple 将 json 字段扩展为新列：

from pyspark.sql import functions as F

df = df.select(F.col('a'), 
    F.json_tuple(F.col('a'), 'k1', 'k2', 'k3') \
    .alias('k1', 'k2', 'k3'))

df.schema
df.show(truncate=False)

文档并没有说太多，但至少在我的用例中，json_tuple 提取的新列是StringType，它只提取单个深度的 JSON 字符串。

StructType(List(StructField(k1,StringType,true),StructField(k2,StringType,true),StructField(k3,StringType,true)))

+---------------------------------------+---+----+-------+
|a                                      |k1 |k2  |k3     |
+---------------------------------------+---+----+-------+
|{"k1": "v1", "k2": "2", "k3": {"m": 1}}|v1 |2   |{"m":1}|
|{"k1": "v11", "k3": "v33"}             |v11|null|v33    |
|{"k1": "v13", "k2": "23"}              |v13|23  |null   |
+---------------------------------------+---+----+-------+

Answer 5

所有学分都归功于 Shrikant Prabhu

你可以简单地使用 SQL

SELECT id, point, data.*
FROM original_table

这样，新表的架构会在数据发生变化时进行调整，您无需在管道中执行任何操作。