如何关联 JSON 包含数组

Question

我正在使用 AWS Glue 读取包含 JSON 的数据文件（在 S3 上）。这是一个 JSON，数据包含在数组中。我试过使用 relationalize() 函数，但它不适用于数组。它确实适用于嵌套 JSON 但这不是输入的数据格式。

有没有办法将 JSON 与其中的数组关联起来？

输入数据：

{
    "ID":"1234",
    "territory":"US",
    "imgList":[
        {
            "type":"box"
            "locale":"en-US"
            "url":"boxart/url.jpg"
        },
        {
            "type":"square"
            "locale":"en-US"
            "url":"square/url.jpg"
        }
    ]
}

代码：

dfc = Relationalize.apply(frame = datasource0, staging_path = glue_temp_storage, name = "root", transformation_ctx = "dfc")
dfc.select('root').toDF().show()

输出：

+----+----------+--------+
|ID  |territory |imgList |
+----+----------+--------+
|1234|       US |       1|
+----+----------+--------+

期望的输出：

+----+----------+-------------+---------------+---------------+
|ID  |territory |imgList.type |imgList.locale |imgList.url    |
+----+----------+-------------+---------------+---------------+
|1234|       US |       box   |         en-US |boxart/url.jpg |
+----+----------+-------------+---------------+---------------+
|1234|       US |       square|         en-US |square/url.jpg |
+----+----------+-------------+---------------+---------------+

Answer 1

Relationalize 为 JSON 文档中的每个数组创建 DynamicFrames。所以你只需要得到它并加入根 table:

dfc = Relationalize.apply(frame = datasource0, staging_path = glue_temp_storage, name = "root", transformation_ctx = "dfc")
root_df = dfc.select('root')
imgList_df = dfc.select('root_imgList')

df = Join.apply(root_df, imgList_df, 'imgList', 'id')
df.toDF().show()

如何关联 JSON 包含数组

How to relationalize JSON containing arrays

amazon-s3

amazon-web-services

pyspark

aws-glue