JSON Pyspark 中的文件解析

Question

我是 Pyspark 的新手。我尝试使用以下代码

解析 JSON 文件

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.json("file:///home/malwarehunter/Downloads/122116-path.json")
df.printSchema()

输出结果如下

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

df.show()

输出看起来像这样

+--------------------+
|     _corrupt_record|
+--------------------+
|                   {|
|  "time1":"2...|
|  "time2":"201...|
|    "step":0.5,|
|          "xyz":[|
|                   {|
|      "student":"00010...|
|      "attr...|
|        [ -2.52, ...|
|        [ -2.3, -...|
|        [ -1.97, ...|
|        [ -1.27, ...|
|        [ -1.03, ...|
|        [ -0.8, -...|
|        [ -0.13, ...|
|        [ 0.09, -...|
|        [ 0.54, -...|
|        [  1.1, -...|
|        [ 1.34, 0...|
|        [ 1.64, 0...|
+--------------------+
only showing top 20 rows

Json 文件如下所示。

{
  "time1":"2016-12-16T00:00:00.000",

  "time2":"2016-12-16T23:59:59.000",

  "step":0.5,

   "xyz":[

    {
     "student":"0001025D0007F5DB",
      "attr":[
    [ -2.52, -1.17 ],
    [ -2.3, -1.15 ],
    [ -1.97, -1.19 ],
    [ 10.16, 4.08 ],
    [ 10.23, 4.87 ],
    [ 9.96, 5.09 ] ]
},
{
  "student":"0001025D0007F5DC",
  "attr":[
    [ -2.58, -0.99 ],
    [ 10.12, 3.89 ],
    [ 10.27, 4.59 ],
    [ 10.05, 5.02 ] ]
}
]}

你能帮我解析这个并创建一个像这样的数据框吗？

Answer 1

Spark >= 2.2:

您可以对 JSON 使用 multiLine 参数 reader:

spark.read.json(path_to_input, multiLine=True)

Spark < 2.2

有几乎通用但相当昂贵的解决方案，可用于读取多行 JSON 文件：

使用SparkContex.wholeTextFiles读取数据。
放置密钥（文件名）。
将结果传递给 DataFrameReader.json。

只要您的数据没有其他问题，它就可以解决问题：

spark.read.json(sc.wholeTextFiles(path_to_input).values())

Answer 2

我遇到过类似的问题。当 Spark 读取 Json 文件时，它希望每一行都是一个单独的 JSON 对象。因此，如果您尝试加载格式良好的 JSON 文件，它将失败。我绕过它是为了缩小 Spark 正在读取的 JSON 文件。

JSON Pyspark 中的文件解析

JSON file parsing in Pyspark

dataframe

apache-spark

apache-spark-sql

pyspark

pyspark-sql