Spark SQL 读取已转义双引号的 JSON 文件答案

【问题标题】：Spark SQL read a JSON file which has already escaped double quoteSpark SQL 读取已转义双引号的 JSON 文件
【发布时间】：2017-11-07 01:11:06
【问题描述】：

我有一个简单的 Spark 程序，它读取 JSON 文件并发出 CSV 文件。在 JSON 文件中，数据被转义为双引号。 spark 程序无法将该行读取为有效的 JSON 字符串。

输入.json

{\"key\" : \"k1\", \"value1\": \"Good String\", \"value2\": \"Good String\"}

input_1.json

"{\"key\" : \"k1\", \"value1\": \"Good String\", \"value2\": \"Good String\"}"

output.csv - 数据作为损坏记录返回

_corrupt_record,key,value1,value2
"{\\"key\\\" : \\\"k1\\\", \\\"value1\\\": \\\"Good String\\\", \\\"value2\\\": \\\"Good String\\\"}",,,

expected.csv

,k1,Good String,Good String

请看下面的主要代码并指教

public static void main(String[] args) {
    SparkSession sparkSession = SparkSession.builder()
            .appName(TestSpark.class.getName()).master("local[1]").getOrCreate();

    SparkContext context = sparkSession.sparkContext();
    context.setLogLevel("ERROR");
    SQLContext sqlCtx = sparkSession.sqlContext();

    List<StructField> kvFields = new ArrayList<>();
    kvFields.add(DataTypes.createStructField("_corrupt_record", DataTypes.StringType, true));
    kvFields.add(DataTypes.createStructField("key", DataTypes.StringType, true));
    kvFields.add(DataTypes.createStructField("value1", DataTypes.StringType, true));
    kvFields.add(DataTypes.createStructField("value2", DataTypes.StringType, true));
    StructType employeeSchema = DataTypes.createStructType(kvFields);

    Dataset<Row> dataset = sparkSession.read()
                    .option("inferSchema", false)
                    .format("json")
                    .schema(employeeSchema)
                    .load("D:\\dev\\workspace\\java\\simple-kafka\\key_value.json");

    dataset.createOrReplaceTempView("sourceView");
    sqlCtx.sql("select * from sourceView")
            .write()
            .option("header", true)
            .format("csv")
            .save("D:\\dev\\workspace\\java\\simple-kafka\\output\\" + UUID.randomUUID().toString());
    sparkSession.close();
}

【问题讨论】：

标签： java apache-spark apache-spark-sql spark-streaming

【解决方案1】：

您需要阅读 as 文本并手动解析。我不将 Spark 与 Java 一起使用，但这里是 Scala 等价物，您可以将其用作伪代码：

val rdd: RDD[MyClass] = sc.textFile(path)
  .map { line =>
    val json = ... // turn line into valid json
    Try(parse(json))
      .recover {
        case NonFatal(ex) => // handle parse error
      }
      .map { jvalue =>
        // Convert the JSON into a case class
      }
      .get
  }

val ds: Dataset[MyClass] = spark.createDataset(rdd)

【讨论】：