使用 Apache Spark 读取 Json 文件

Question

我正在尝试使用 Spark v2.0.0 读取 Json 文件。在简单数据代码的情况下，效果非常好。如果数据有点复杂，当我打印 df.show() 时，数据显示不正确。

这是我的代码：

SparkSession session = SparkSession.builder().master("local").appName("jsonreader").getOrCreate();
Dataset<Row> list = session.read().json("/Users/hadoop/Desktop/sample.json");
list.show();

这是我的示例数据：

{
    "glossary": {
        "title": "example glossary",
        "GlossDiv": {
            "title": "S",
            "GlossList": {
                "GlossEntry": {
                    "ID": "SGML",
                    "SortAs": "SGML",
                    "GlossTerm": "Standard Generalized Markup Language",
                    "Acronym": "SGML",
                    "Abbrev": "ISO 8879:1986",
                    "GlossDef": {
                        "para": "A meta-markup language, used to create markup languages such as DocBook.",
                        "GlossSeeAlso": ["GML", "XML"]
                    },
                    "GlossSee": "markup"
                }
            }
        }
    }
}

我的输出是这样的：

+--------------------+
|     _corrupt_record|
+--------------------+
|                   {|
|       "glossary": {|
|        "title": ...|
|           "GlossDiv": {|
|            "titl...|
|               "GlossList": {|
|                "...|
|                 ...|
|                   "SortAs": "S...|
|                   "GlossTerm":...|
|                   "Acronym": "...|
|                   "Abbrev": "I...|
|                   "GlossDef": {|
|                 ...|
|                       "GlossSeeAl...|
|                 ...|
|                   "GlossSee": ...|
|                   }|
|                   }|
|                   }|
+--------------------+
only showing top 20 rows

Answer 1

如果您必须阅读此 JSON，则需要将 JSON 格式化为一行。这是一个多行 JSON，因此无法正确读取和加载 (One Object one Row)

引用 JSON API：

加载一个 JSON 文件（每行一个对象）并将结果作为 数据帧。

{"glossary":{"title":"example glossary","GlossDiv":{"title":"S","GlossList":{"GlossEntry":{"ID":"SGML","SortAs":"SGML","GlossTerm":"Standard Generalized Markup Language","Acronym":"SGML","Abbrev":"ISO 8879:1986","GlossDef":{"para":"A meta-markup language, used to create markup languages such as DocBook.","GlossSeeAlso":["GML","XML"]},"GlossSee":"markup"}}}}}

我刚刚在 shell 上尝试过，它应该也可以从代码中以相同的方式工作（当我读取多行 JSON 时，我遇到了相同的损坏记录错误）

scala> val df = spark.read.json("C:/DevelopmentTools/data.json")
df: org.apache.spark.sql.DataFrame = [glossary: struct<GlossDiv: struct<GlossList: struct<GlossEntry: struct<Abbrev: string, Acronym: string ... 5 more fields>>, title: string>, title: string>]

scala>

编辑：

您可以使用任何操作从该数据框中获取值，例如

scala> df.select(df("glossary.GlossDiv.GlossList.GlossEntry.GlossTerm")).show()
+--------------------+
|           GlossTerm|
+--------------------+
|Standard Generali...|
+--------------------+


scala>

您也应该可以通过您的代码来实现这一点

Answer 2

只要确保你的 json 在一行中，你正在阅读嵌套的 json，所以，如果你已经这样做了，你已经成功加载了 json，你以错误的方式显示它的嵌套 json，所以你不能直接显示，就像你想要的那样GlossDiv 的标题数据可以显示如下

SparkSession session = SparkSession.builder().master("local").appName("jsonreader").getOrCreate();
Dataset<Row> list = session.read().json("/Users/hadoop/Desktop/sample.json");
list.select("glossary.GlossDiv.title") .show

Answer 3

试试：

session.read().json(session.sparkContext.wholeTextFiles("..."));

Answer 4

这个帖子有点老了，我想详细说明@user6022341 的建议。我最终在我的一个项目中使用了它：

要处理多行 json 文件，wholeTextFiles(String path) 转换是 spark 中唯一的解决方案，如果文件是一个大的 json 对象。此转换会将整个文件内容作为字符串加载。因此，如果在 hdfs://a-hdfs-path 目录中有两个文件，即 part-00000 和 part-00001。调用 sparkContext.wholeTextFiles("hdfs://a-hdfs-path") 将导致 Spark 返回一个 JavaPairRDD，其中键作为文件名，值作为文件内容。这可能不是最佳解决方案，并且可能会影响更大文件的性能。

但如果多行 json 文件有多个 json 对象拆分为多行，那么您可能可以使用 hadoop.Configuration，一些示例代码显示为here。我自己没有测试过。

如果您必须读取多行 csv 文件，您可以使用 Spark 2.2 执行此操作

spark.read.csv(file, multiLine=True)

https://issues.apache.org/jira/browse/SPARK-19610

https://issues.apache.org/jira/browse/SPARK-20980

希望这可以帮助其他寻找类似信息的人。

Answer 5

在Spark中使用Java读取JSON文件的另一种方式与上面提到的类似：

SparkSession spark = SparkSession.builder().appName("ProcessJSONData")
                        .master("local").getOrCreate();

String path = "C:/XX/XX/myData.json";

// Encoders are created for Java bean class
Encoder<FruitJson> fruitEncoder = Encoders.bean(FruitJson.class);

Dataset<FruitJson> fruitDS = spark.read().json(path).as(fruitEncoder);

fruitDS.show();