使用 PySpark 将 JSON 文件读取为 Pyspark Dataframe？答案

【问题标题】：Read JSON file as Pyspark Dataframe using PySpark?使用 PySpark 将 JSON 文件读取为 Pyspark Dataframe？
【发布时间】：2018-08-30 03:42:37
【问题描述】：

如何读取以下 JSON 结构以使用 PySpark 触发数据帧？

我的 JSON 结构

{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}

我试过了：

df = spark.read.json('simple.json');

我希望输出 a、b、c 作为列，将值作为相应的行。

谢谢。

【问题讨论】：

标签： python apache-spark pyspark apache-spark-sql

【解决方案1】：

Json 字符串变量

如果你有 json 字符串作为变量 那么你可以这样做

simple_json = '{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}'
rddjson = sc.parallelize([simple_json])
df = sqlContext.read.json(rddjson)

from pyspark.sql import functions as F
df.select(F.explode(df.results).alias('results')).select('results.*').show(truncate=False)

这会给你

+---+---+----+
|a  |b  |c   |
+---+---+----+
|1  |2  |name|
|2  |5  |foo |
+---+---+----+

Json 字符串作为文件中的单独行（sparkContext 和 sqlContext）

如果您在文件中有 json 字符串作为单独的行，那么您可以 使用 sparkContext 将其读取到 rdd[string] 中，其余过程相同如上

rddjson = sc.textFile('/home/anahcolus/IdeaProjects/pythonSpark/test.csv')
df = sqlContext.read.json(rddjson)
df.select(F.explode(df['results']).alias('results')).select('results.*').show(truncate=False)

Json 字符串作为文件中的单独行（仅限 sqlContext）

如果您将 json 字符串作为文件中的单独行，那么您只能使用 sqlContext。但是这个过程很复杂，因为你必须为它创建架构

df = sqlContext.read.text('path to the file')

from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.select(F.from_json(df.value, T.StructType([T.StructField('results', T.ArrayType(T.StructType([T.StructField('a', T.IntegerType()), T.StructField('b', T.IntegerType()), T.StructField('c', T.StringType())])))])).alias('results'))
df.select(F.explode(df['results.results']).alias('results')).select('results.*').show(truncate=False)

这应该给你与上述结果相同的结果

希望回答对你有帮助

【讨论】：

5 小时后降落在这里，我只能用 pandas 找到解决方案，但不能用 pyspark。谢谢。虽然用模式阅读它是相当棘手的

【解决方案2】：

!pip install findspark
!pip install pyspark
import findspark
import pyspark
findspark.init()
sc = pyspark.SparkContext.getOrCreate()
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('abc').getOrCreate()

让我们生成自己的 JSON 数据这样我们就不必访问文件系统了。

stringJSONRDD = sc.parallelize((""" 
  { "id": "123",
    "name": "Katie",
    "age": 19,
    "eyeColor": "brown"
  }""",
   """{
    "id": "234",
    "name": "Michael",
    "age": 22,
    "eyeColor": "green"
  }""", 
  """{
    "id": "345",
    "name": "Simone",
    "age": 23,
    "eyeColor": "blue"
  }""")
)

然后创建数据帧

swimmersJSON = spark.read.json(stringJSONRDD)

创建临时表

swimmersJSON.createOrReplaceTempView("swimmersJSON")

希望这对您有所帮助。完整代码可以参考这个GitHub repository。

【讨论】：

【解决方案3】：

from pyspark.sql import SparkSession
from pyspark.sql.functions import col
from pyspark.sql.functions import explode

spark = SparkSession.builder.getOrCreate()
sc = spark.sparkContext
json_data = '{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}'
json_rdd = sc.parallelize([json_data])
df = spark.read.json(json_rdd)
df =df.withColumn("results", explode(df.results)).select( 
                         col("results.a").alias("a"),
                         col("results.b").alias("b"),
                         col("results.c").alias("c") ) 
df.show()

【讨论】：