Spark 将 StructType / JSON 转换为字符串

Question

我有一个换行分隔的 json 文件，看起来像

{"id":1,"nested_col": {"key1": "val1", "key2": "val2", "key3": ["arr1", "arr2"]}}
{"id":2,"nested_col": {"key1": "val1_2", "key2": "val2_2", "key3": ["arr1_2", "arr2"]}}

使用df = spark.read.json(path_to_file) 读取文件后，我最终会得到一个架构如下的数据框：

DataFrame[id: bigint,nested_col:struct<key1:string,key2:string,key3:array<string>>]

我想要做的是将nested_col 转换为一个字符串而不将primitivesAsString 设置为true（因为我实际上有100 多个列并且需要推断我所有其他列的类型）。我也不知道nested_col 看起来像什么。换句话说，我希望我的DataFrame 看起来像

DataFrame[id: bigint,nested_col:string]

我试过了

df.select(df['nested_col'].cast('string')).take(1)`

但它没有返回正确的 JSON 字符串表示：

[Row(nested_col=u'[0,2000000004,2800000004,3000000014,316c6176,326c6176,c00000002,3172726100000010,32727261]')]`

而我希望：

[Row(nested_col=u'{"key1": "val1", "key2": "val2", "key3": ["arr1", "arr2"]}')]

有谁知道我怎样才能得到想要的结果（也就是将嵌套的 JSON 字段/StructType 转换为字符串）？

Answer 1

老实说，解析 JSON 并推断架构只是为了将所有内容推回 JSON 听起来有点奇怪，但你在这里：

• 必需的进口：

  from pyspark.sql import types
  from pyspark.sql.functions import to_json, concat_ws, concat, struct
  

• 辅助函数：

  def jsonify(df):
      def convert(f):
          if isinstance(f.dataType, types.StructType):
              return to_json(f.name).alias(f.name)
          if isinstance(f.dataType, types.ArrayType):
              return get_json_object(
                  to_json(struct(f.name)), 
                  "$.{0}".format(f.name)
              ).alias(f.name)
          return f.name
  
      return df.select([convert(f) for f in df.schema.fields])
  

• 示例用法：

  df = sc.parallelize([("a", 1, (2, 3), ["1", "2", "3"])]).toDF()
  
  jsonify(df).show()
  

  +---+---+---------------+-------------+
  | _1| _2|             _3|           _4|
  +---+---+---------------+-------------+
  |  a|  1|{"_1":2,"_2":3}|["1","2","3"]|
  +---+---+---------------+-------------+