Pyspark - 从 json 文件中获取属性名称

Question

我是 pyspark 的新手。我的要求是从嵌套的 json 文件中获取/提取属性名称。我尝试使用从 pandas 包导入的 json_normalize。它适用于直接属性，但从不获取 json 数组属性中的属性。我的 json 没有静态结构。它因我们收到的每份文件而异。有人可以帮我解释下面提供的小例子吗，

        {  
               "id":"1",
               "name":"a",
               "salaries":[  
                  {  
                     "salary":"1000"
                  },
                  {  
                     "salary":"5000"
                  }
               ],
               "states":{  
                  "state":"Karnataka",
                  "cities":[  
                     {  
                        "city":"Bangalore"
                     },
                     {  
                        "city":"Mysore"
                     }
                  ],
                  "state":"Tamil Nadu",
                  "cities":[  
                     {  
                        "city":"Chennai"
                     },
                     {  
                        "city":"Coimbatore"
                     }
                  ]
               }
            }  

特别是对于 json 数组元素..

预期输出： ID 姓名 工资.salary 状态.state states.cities.city``

Answer 1

这是从json中提取所有嵌套属性的另一种解决方案

import json

result_set = set([])


def parse_json_array(json_obj, parent_path):
    array_obj = list(json_obj)
    for i in range(0, len(array_obj)):
        json_ob = array_obj[i]
        if type(json_obj) == type(json_obj):
            parse_json(json_ob, parent_path)
    return None


def parse_json(json_obj, parent_path):
    for key in json_obj.keys():
        key_value = json_obj.get(key)
        # if isinstance(a, dict):
        if type(key_value) == type(json_obj):
            parse_json(key_value, str(key) if parent_path == "" else parent_path + "." + str(key))
        elif type(key_value) == type(list(json_obj)):
            parse_json_array(key_value, str(key) if parent_path == "" else parent_path + "." + str(key))
        result_set.add((parent_path + "." + key).encode('ascii', 'ignore'))
    return None



file_name = "C:/input/sample.json"
file_data = open(file_name, "r")
json_data = json.load(file_data)
print json_data

parse_json(json_data, "")
print list(result_set)

输出：

{u'states': {u'state': u'Tamil Nadu', u'cities': [{u'city': u'Chennai'}, {u'city': u'Coimbatore'}]}, u'id': u'1', u'salaries': [{u'salary': u'1000'}, {u'salary': u'5000'}], u'name': u'a'}
['states.cities.city', 'states.cities', '.id', 'states.state', 'salaries.salary', '.salaries', '.states', '.name']

注意：

My Python version: 2.7 

Answer 2

你也可以这样做。

data = { "id":"1", "name":"a", "salaries":[ { "salary":"1000" }, { "salary":"5000" } ], "states":{ "state":"Karnataka", "cities":[ { "city":"Bangalore" }, { "city":"Mysore" } ], "state":"Tamil Nadu", "cities":[ { "city":"Chennai" }, { "city":"Coimbatore" } ] } }



def dict_ittr(lin,data):

    for k, v in data.items():
        if type(v)is list:
            for l in v:
               dict_ittr(lin+"."+k,l)
        elif type(v)is dict:
            dict_ittr(lin+"."+k,v)
            pass
        else:
            print lin+"."+k

dict_ittr("",data)

输出

.states.state
.states.cities.city
.states.cities.city
.id
.salaries.salary
.salaries.salary
.name

Answer 3

如果您将 json 视为 python 字典，这应该可以工作。

我刚刚写了一个简单的递归程序。

脚本

import json

def js_r(filename):
    with open(filename) as f_in:
        return(json.load(f_in))

g = js_r("city.json")
answer_d = {}
def base_line(g, answer_d):
    for key in g.keys():
        answer_d[key] = {}
    return answer_d

answer_d = base_line(g, answer_d)
def recurser_func(g, answer_d):
    for k in g.keys():
        if type(g[k]) == type([]): #If the value is a list
            answer_d[k] = {list(g[k][0].keys())[0]:{}}

        if type(g[k]) == type({}): #If the value is a dictionary
            answer_d[k] = {list(g[k].keys())[0]: {}} #set key equal to 
            answer_d[k] = recurser_func(g[k], answer_d[k])
    return answer_d
recurser_func(g,answer_d)


def printer_func(answer_d, list_to_print, parent):
    for k in answer_d.keys():
        if len(answer_d[k].keys()) == 1:
            list_to_print.append(parent)
            list_to_print[-1] += k
            list_to_print[-1] += "." + str(list(answer_d[k].keys())[0])
        if len(answer_d[k].keys()) == 0:
            list_to_print.append(parent)
            list_to_print[-1] += k
        if len(answer_d[k].keys()) > 1:
            printer_func(answer_d[k], list_to_print, k + ".")
    return list_to_print



l = printer_func(answer_d, [], "")
final = " ".join(l)
print(final)

说明

base_line 为您的所有基本键创建一个字典。

recursur_func 检查键的值是列表还是字典，然后根据需要添加到答案字典中，直到 answer_d 看起来像：{'id': {}, 'name': {}, 'salaries': {'salary': {}}, 'states': {'state': {}, 'cities': {'city': {}}}}

在调用这两个函数之后，您在某种意义上就有了一个键字典。那么printer_func是一个递归函数，可以根据需要打印。

注意：

您的问题与以下问题类似：Get all keys of a nested dictionary 但由于您有一个嵌套列表/字典而不仅仅是一个嵌套字典，因此他们的答案对您不起作用，但是关于该问题的主题有更多讨论如果您想了解更多信息

编辑 1

我的python版本是3.7.1

我在顶部添加了一个 json 文件打开器。我假设 json 被命名为 city.json 并且在同一个目录中

编辑 2：更详尽的解释

我发现处理数据的主要困难是您可以拥有无​​限嵌套的列表和字典。这使它变得复杂。由于它是无限可能的嵌套，因此我认为这是一个递归问题。

因此，我构建了一个字典字典，表示您正在寻找的关键结构。首先，我从基线开始。

base_line 使{'id': {}, 'name': {}, 'salaries': {}, 'states': {}} 这是一个空字典的字典。我知道当你打印时。每个关键结构（如states.state）都以这些词之一开头。

递归

然后我使用recursur_func 添加所有子键。 当给定字典 g 时，此函数 for 循环遍历该字典中的所有键，并且（假设 answer_d 具有 g 具有的每个键）每个键都会将该键子添加到 answer_d。

如果孩子是一本字典。然后我用给定的字典g 进行递归，现在它是属于儿童的字典的子部分，而 answer_d 是属于儿童的 answer_d 的子部分。