63

我有一个 Cassandra 表，为了简单起见，它看起来像：

key: text
jsonData: text
blobData: blob

我可以为此使用 spark 和 spark-cassandra-connector 创建一个基本数据框：

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

我正在努力将 JSON 数据扩展到其底层结构。我最终希望能够根据 json 字符串中的属性进行过滤并返回 blob 数据。类似 jsonData.foo = "bar" 并返回 blobData。这目前可能吗？

4

5 回答 5

100

火花 >= 2.4

如果需要，可以使用schema_of_json函数确定模式（请注意，这假定任意行是模式的有效代表）。

import org.apache.spark.sql.functions.{lit, schema_of_json, from_json}
import collection.JavaConverters._

val schema = schema_of_json(lit(df.select($"jsonData").as[String].first))
df.withColumn("jsonData", from_json($"jsonData", schema, Map[String, String]().asJava))

火花 >= 2.1

您可以使用from_json功能：

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

val schema = StructType(Seq(
  StructField("k", StringType, true), StructField("v", DoubleType, true)
))

df.withColumn("jsonData", from_json($"jsonData", schema))

火花 >= 1.6

您可以使用get_json_objectwhich 采用列和路径：

import org.apache.spark.sql.functions.get_json_object

val exprs = Seq("k", "v").map(
  c => get_json_object($"jsonData", s"$$.$c").alias(c))

df.select($"*" +: exprs: _*)

并将字段提取为单个字符串，这些字符串可以进一步转换为预期的类型。

该path参数使用点语法表示，前导$.表示文档根（因为上面的代码使用字符串插值$必须被转义，因此$$.）。

火花 <= 1.5：

这目前可能吗？

据我所知，这不是直接可能的。您可以尝试类似的方法：

val df = sc.parallelize(Seq(
  ("1", """{"k": "foo", "v": 1.0}""", "some_other_field_1"),
  ("2", """{"k": "bar", "v": 3.0}""", "some_other_field_2")
)).toDF("key", "jsonData", "blobData")

我假设该blob字段不能用 JSON 表示。否则，您 cab 会省略拆分和加入：

import org.apache.spark.sql.Row

val blobs = df.drop("jsonData").withColumnRenamed("key", "bkey")
val jsons = sqlContext.read.json(df.drop("blobData").map{
  case Row(key: String, json: String) =>
    s"""{"key": "$key", "jsonData": $json}"""
}) 

val parsed = jsons.join(blobs, $"key" === $"bkey").drop("bkey")
parsed.printSchema

// root
//  |-- jsonData: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: double (nullable = true)
//  |-- key: long (nullable = true)
//  |-- blobData: string (nullable = true)

另一种（更便宜，但更复杂）的方法是使用 UDF 来解析 JSON 并输出 a structormap列。例如这样的：

import net.liftweb.json.parse

case class KV(k: String, v: Int)

val parseJson = udf((s: String) => {
  implicit val formats = net.liftweb.json.DefaultFormats
  parse(s).extract[KV]
})

val parsed = df.withColumn("parsedJSON", parseJson($"jsonData"))
parsed.show

// +---+--------------------+------------------+----------+
// |key|            jsonData|          blobData|parsedJSON|
// +---+--------------------+------------------+----------+
// |  1|{"k": "foo", "v":...|some_other_field_1|   [foo,1]|
// |  2|{"k": "bar", "v":...|some_other_field_2|   [bar,3]|
// +---+--------------------+------------------+----------+

parsed.printSchema

// root
//  |-- key: string (nullable = true)
//  |-- jsonData: string (nullable = true)
//  |-- blobData: string (nullable = true)
//  |-- parsedJSON: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: integer (nullable = false)
于 2015-12-03T15:36:02.013 回答
33

zero323 的回答是彻底的，但错过了 Spark 2.1+ 中可用的一种方法，并且比使用更简单、更健壮schema_of_json()：

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

val json_schema = spark.read.json(df.select("jsonData").as[String]).schema
df.withColumn("jsonData", from_json($"jsonData", json_schema))

这是 Python 的等价物：

from pyspark.sql.functions import from_json

json_schema = spark.read.json(df.select("jsonData").rdd.map(lambda x: x[0])).schema
df.withColumn("jsonData", from_json("jsonData", json_schema))

正如 zero323 指出的那样，问题schema_of_json()在于它检查单个字符串并从中派生模式。如果您的 JSON 数据具有不同的模式，那么您返回的模式schema_of_json()将不会反映如果您要合并 DataFrame 中所有 JSON 数据的模式会得到什么。解析该数据from_json()将产生大量null或空值，其中返回的架构schema_of_json()与数据不匹配。

通过使用 Spark 从 JSON 字符串的 RDD 派生综合 JSON 模式的能力，我们可以保证可以解析所有 JSON 数据。

示例：schema_of_json()与。spark.read.json()

这是一个示例（在 Python 中，代码与 Scala 非常相似）来说明从单个元素派生模式与schema_of_json()使用spark.read.json().

>>> df = spark.createDataFrame(
...     [
...         (1, '{"a": true}'),
...         (2, '{"a": "hello"}'),
...         (3, '{"b": 22}'),
...     ],
...     schema=['id', 'jsonData'],
... )

a一行中有一个布尔值，另一行有一个字符串值。的合并模式a会将其类型设置为字符串。b将是一个整数。

让我们看看不同方法的比较。一、schema_of_json()做法：

>>> json_schema = schema_of_json(df.select("jsonData").take(1)[0][0])
>>> parsed_json_df = df.withColumn("jsonData", from_json("jsonData", json_schema))
>>> parsed_json_df.printSchema()
root
 |-- id: long (nullable = true)
 |-- jsonData: struct (nullable = true)
 |    |-- a: boolean (nullable = true)

>>> parsed_json_df.show()
+---+--------+
| id|jsonData|
+---+--------+
|  1|  [true]|
|  2|    null|
|  3|      []|
+---+--------+

如您所见，我们派生的 JSON 模式非常有限。"a": "hello"无法解析为 boolean 并返回null，"b": 22只是因为它不在我们的模式中而被删除。

现在有了spark.read.json()：

>>> json_schema = spark.read.json(df.select("jsonData").rdd.map(lambda x: x[0])).schema
>>> parsed_json_df = df.withColumn("jsonData", from_json("jsonData", json_schema))
>>> parsed_json_df.printSchema()
root
 |-- id: long (nullable = true)
 |-- jsonData: struct (nullable = true)
 |    |-- a: string (nullable = true)
 |    |-- b: long (nullable = true)

>>> parsed_json_df.show()
+---+--------+
| id|jsonData|
+---+--------+
|  1| [true,]|
|  2|[hello,]|
|  3|  [, 22]|
+---+--------+

在这里，我们保留了所有数据，并使用了一个全面的模式来解释所有数据。"a": true被转换为字符串以匹配"a": "hello".

使用的主要缺点spark.read.json()是 Spark 将扫描所有数据以派生模式。根据您拥有的数据量，该开销可能很大。如果您知道所有 JSON 数据都具有一致的模式，那么可以继续并仅schema_of_json()针对单个元素使用。如果您有架构可变性但不想扫描所有数据，则可以设置samplingRatio为比1.0调用中更少的spark.read.json()内容来查看数据的子集。

以下是相关文档spark.read.json()：Scala API / Python API

于 2020-03-04T17:13:36.520 回答
4

该from_json功能正是您正在寻找的。您的代码将类似于：

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

//You can define whatever struct type that your json states
val schema = StructType(Seq(
  StructField("key", StringType, true), 
  StructField("value", DoubleType, true)
))

df.withColumn("jsonData", from_json(col("jsonData"), schema))
于 2017-09-02T06:55:10.897 回答
1

底层 JSON 字符串是

"{ \"column_name1\":\"value1\",\"column_name2\":\"value2\",\"column_name3\":\"value3\",\"column_name5\":\"value5\"}";

下面是过滤 JSON 并将所需数据加载到 Cassandra 的脚本。

  sqlContext.read.json(rdd).select("column_name1 or fields name in Json", "column_name2","column_name2")
            .write.format("org.apache.spark.sql.cassandra")
            .options(Map("table" -> "Table_name", "keyspace" -> "Key_Space_name"))
            .mode(SaveMode.Append)
            .save()
于 2016-07-26T18:06:14.140 回答
1

我使用以下

（自 2.2.0 起可用，我假设您的 json 字符串列位于列索引 0）

def parse(df: DataFrame, spark: SparkSession): DataFrame = {
    val stringDf = df.map((value: Row) => value.getString(0), Encoders.STRING)
    spark.read.json(stringDf)
}

它会自动推断您的 JSON 中的模式。记录在这里： https ://spark.apache.org/docs/2.3.0/api/java/org/apache/spark/sql/DataFrameReader.html

于 2019-05-09T15:18:58.410 回答