java.NullPointException 在 DataFrame.show() 方法中的 spark - scala

java.NullPointException in DataFrame.show() method in spark - scala

编辑:对之前的问题质量感到抱歉,我希望这个问题会更清楚: 使用 Spark 应用程序,我正在加载以下 JSON 个文件的整个目录:

    {
        "type": "some_type",
        "payload": {
            "data1": {
                "id": "1"           
            },
            "data2": {
                "id": "1",

            },
            "data3": {
                "id": "1"
            },
            "dataset1": [{
                "data11": {
                    "id": "1",
                },
                "data12": {
                    "id": "1",
                }
            }],
            "masterdata": {
                "md1": [{
                    "id": "1"
                },
                {
                    "id": "2"
                },
                {
                    "id": "3"
                }],
                "md2": [{
                    "id": "1",
                },
                {
                    "id": "2",
                },
                {
                    "id": "3",
                }]
            }
        }
    }

DataFrame 并保存为临时文件 table 以便以后使用。在此 Json 中,来自 "payload" 节点的字段始终存在,但 "masterdata" 中的子节点是可选的。 下一步是为 Json 的每个子节点创建多个数据帧,如下所示: DataFrame data1 包含来自所有文件的节点 "data1" 的数据,看起来像一个带有列 "id" 的常规 table。 在第一次处理部分后,我的 Spark 状态如下: 数据框: 数据 1(id​​), 数据 2(id), 数据 3(id), 数据 11(id), 数据 12(id), md1(id), md2(id)

问题来了 - 如果目录中的 JSON 文件之一不包含 md2 节点,我无法 运行 show()collect() "md2" DataFrame 由于 NullPointException。 我会理解是否所有文件都缺少 "md2" 节点,所以它无法创建 md2 DataFrame,但在这种情况下,我希望 md2 DataFrame 根本没有来自没有节点 md2 的 json 文件的数据,但是包含所有其他人。

技术细节: 要从嵌套节点读取数据,我使用 rdd.map & rdd.flatmap,然后我将其转换为 DataFrame 并使用自定义列名称

如果我 运行 在目录中的所有文件包含所有节点时应用程序一切正常,但如果缺少单个文件 md2 节点应用程序在 .show() 或 .collect() 时失败

顺便说一句,如果节点存在但它为空则一切正常。

有没有办法让 Spark 支持可选的 Json 节点或处理 rdd.map&flatmap 中丢失的节点?[​​=18=]

我希望它比上一个问题更清楚

根据@Beryllium 的请求,这是我用来获取 md2 DataFrame 的 rdd 操作

    val jsonData = hiveContext.sql("SELECT `payload`.masterdata.md2 FROM jsonData")
    val data = jsonData.rdd.flatMap(row => row.getSeq[Row](0)).map(row => (
    row.getString(row.fieldIndex("id"))
    )).distinct
    val dataDF = data.toDF("id")    

快速修复

尝试像这样插入 filter()

sqlContext.sql("SELECT payload.masterdata.md2 FROM jsonData")
  .rdd
  .filter(_.getSeq[Row](0) != null)
  .flatMap(row => row.getSeq[Row](0))
  .map(row => (row.getString(row.fieldIndex("id"))))
  .distinct
  .toDF("id")
  .show()

使用爆炸()

这会尽快删除空值:所以它应该更快(至少更短):

sqlContext
  .sql("select t.a.id from (SELECT explode(payload.masterdata.md2) as a FROM jsonData) t")
  • explode() 炸掉 null.
  • 然后子查询只提取ID

更简单:先提取ID,然后explode():

sqlContext.sql("SELECT explode(payload.masterdata.md2.id) FROM jsonData").show()