spark如何将json字符串转换为没有架构的结构列

Question

火花：3.0.0 斯卡拉：2.12.8

我的数据框有一列包含 JSON 字符串，我想使用 StructType 从中创建一个新列。

|temp_json_string                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                    |
+
|{"name":"test","id":"12","category":[{"products":["A","B"],"displayName":"test_1","displayLabel":"test1"},{"products":["C"],"displayName":"test_2","displayLabel":"test2"}],"createdAt":"","createdBy":""}|
+

root
 |-- temp_json_string: string (nullable = true)

json 字符串看起来像

{
  "name":"test",
  "id":"12",
  "category":[
    {
      "products":[
        "A",
        "B"
      ],
      "displayName":"test_1",
      "displayLabel":"test1"
    },
    {
      "products":[
        "C"
      ],
      "displayName":"test_2",
      "displayLabel":"test2"
    }
  ],
  "createdAt":"",
  "createdBy":""
}

我想创建一个 Struct 类型的新列，所以我尝试了：

 dataFrame
      .withColumn("temp_json_struct", struct(col("temp_json_string")))
      .select("temp_json_struct")

现在，我得到的架构为：

root
 |-- temp_json_struct: struct (nullable = false)
 |    |-- temp_json_string: string (nullable = true)

我正在寻找的东西是：

root
 |-- temp_json_struct: struct (nullable = false)
 |    |-- name: string (nullable = true)
      |-- category: array (nullable = true)
         |-- products: array (nullable = true)
         |-- displayName: string (nullable = true)
         |-- displayLabel: string (nullable = true)
      |-- createdAt: timestamp (nullable = true)
      |-- updatedAt: timestamp (nullable = true)

另外，我不知道可以在 JSON 字符串中的架构。

我已经寻找其他选项，但无法找出解决方案。

Answer 1

我对来自 mongo 的数据有同样的问题。 _doc 是包含 json 字符串的列。我的有多个文件，这就是为什么第一行遍历每一行以提取模式的原因。此外，如果您事先知道您的架构，那么只需将 json_schema 替换为该架构即可。

json_schema = spark.read.json(df.rdd.map(lambda row: row._doc)).schema
df= df.withColumn('new_json_column', from_json(col('_doc'), json_schema))

Answer 2

至少有两种不同的方法可以检索/发现给定 JSON 的架构。

为了说明，我们先创建一些数据：

import org.apache.spark.sql.types.StructType

val jsData = Seq(
  ("""{
    "name":"test","id":"12","category":[
    {
      "products":[
        "A",
        "B"
      ],
      "displayName":"test_1",
      "displayLabel":"test1"
    },
    {
      "products":[
        "C"
      ],
      "displayName":"test_2",
      "displayLabel":"test2"
    }
  ],
  "createdAt":"",
  "createdBy":""}""")
)

选项 1：schema_of_json

第一个选项是使用内置函数schema_of_json。该函数将以 DDL 格式返回给定 JSON 的架构：

val json = jsData.toDF("js").collect()(0).getString(0)

val ddlSchema: String = spark.sql(s"select schema_of_json('${json}')")
                            .collect()(0) //get 1st row
                            .getString(0) //get 1st col of the row as string
                            .replace("null", "string") //replace type with string, this occurs since you have "createdAt":"" 

// struct<category:array<struct<displayLabel:string,displayName:string,products:array<string>>>,createdAt:null,createdBy:null,id:string,name:string>

val schema: StructType = StructType.fromDDL(s"js_schema $ddlSchema")

请注意，您希望 schema_of_json 也可以在列级别上工作，即： schema_of_json(js_col)，不幸的是，这不能按预期工作，因此我们不得不改为传递字符串。

选项 2：使用 Spark JSON 阅读器（推荐）

import org.apache.spark.sql.functions.from_json

val schema: StructType = spark.read.json(jsData.toDS).schema

// schema.printTreeString

// root
//  |-- category: array (nullable = true)
//  |    |-- element: struct (containsNull = true)
//  |    |    |-- displayLabel: string (nullable = true)
//  |    |    |-- displayName: string (nullable = true)
//  |    |    |-- products: array (nullable = true)
//  |    |    |    |-- element: string (containsNull = true)
//  |-- createdAt: string (nullable = true)
//  |-- createdBy: string (nullable = true)
//  |-- id: string (nullable = true)
//  |-- name: string (nullable = true)

如您所见，这里我们生成的是基于StructType 的架构，而不是像之前的情况那样的 DDL 字符串。

发现架构后，我们可以继续下一步，将 JSON 数据转换为结构。为此，我们将使用from_json 内置函数：

jsData.toDF("js")
      .withColumn("temp_json_struct", from_json($"js", schema))
      .printSchema()

// root
//  |-- js: string (nullable = true)
//  |-- temp_json_struct: struct (nullable = true)
//  |    |-- category: array (nullable = true)
//  |    |    |-- element: struct (containsNull = true)
//  |    |    |    |-- displayLabel: string (nullable = true)
//  |    |    |    |-- displayName: string (nullable = true)
//  |    |    |    |-- products: array (nullable = true)
//  |    |    |    |    |-- element: string (containsNull = true)
//  |    |-- createdAt: string (nullable = true)
//  |    |-- createdBy: string (nullable = true)
//  |    |-- id: string (nullable = true)
//  |    |-- name: string (nullable = true)

Answer 3

// import spark implicits for conversion to dataset (.as[String])
import spark.implicits._

val df = ??? //create your dataframe having the 'temp_json_string' column

//convert Dataset[Row] aka Dataframe to Dataset[String]
val ds = df.select("temp_json_string").as[String]

//read as json
spark.read.json(ds)

Documentation