python - 使用 PySpark 将 JSON 文件读取为 Pyspark Dataframe？

Question

如何使用 PySpark 读取以下 JSON 结构以激发数据帧？

我的 JSON 结构

{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}

我试过:

df = spark.read.json('simple.json');

我希望输出 a、b、c 作为列，值作为相应的行。

谢谢。

Answer 1

Json 字符串变量

如果你有 json 字符串作为变量 那么你可以这样做

simple_json = '{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}'
rddjson = sc.parallelize([simple_json])
df = sqlContext.read.json(rddjson)

from pyspark.sql import functions as F
df.select(F.explode(df.results).alias('results')).select('results.*').show(truncate=False)

这会给你

+---+---+----+
|a  |b  |c   |
+---+---+----+
|1  |2  |name|
|2  |5  |foo |
+---+---+----+

Json 字符串作为文件中的单独行(sparkContext 和 sqlContext)

如果你有 json 字符串作为文件中的单独行 那么你可以使用 sparkContext 将其读入 rdd[string] 如上所述，其余过程相同如上

rddjson = sc.textFile('/home/anahcolus/IdeaProjects/pythonSpark/test.csv')
df = sqlContext.read.json(rddjson)
df.select(F.explode(df['results']).alias('results')).select('results.*').show(truncate=False)

Json 字符串作为文件中的单独行(仅限 sqlContext)

如果你有 json 字符串作为文件中的单独行 那么你可以只使用 sqlContext。但是这个过程很复杂，因为您必须为其创建架构

df = sqlContext.read.text('path to the file')

from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.select(F.from_json(df.value, T.StructType([T.StructField('results', T.ArrayType(T.StructType([T.StructField('a', T.IntegerType()), T.StructField('b', T.IntegerType()), T.StructField('c', T.StringType())])))])).alias('results'))
df.select(F.explode(df['results.results']).alias('results')).select('results.*').show(truncate=False)

应该给你和上面一样的结果

希望回答对你有帮助