Pyspark：从 JSON 文件创建模式

Question

我正在处理来自非常长的嵌套 JSON 文件的数据。问题是，这些文件的结构并不总是相同，因为其中一些文件错过了其他文件的列。我想从包含所有列的空 JSON 文件创建自定义架构。如果我稍后将 JSON 文件读入此预定义模式，则不存在的列将填充空值（至少计划如此）。到目前为止我做了什么：

正在将测试JSON（不包含预期的所有列）加载到数据框中
将其架构写入 JSON 文件
在文本编辑器中打开此 JSON 文件并手动添加缺失的列

接下来我想做的是通过将 JSON 文件读入我的代码来创建一个新模式，但我在语法方面遇到了困难。我可以直接从文件本身读取架构吗？我试过了

schemaFromJson = StructType.fromJson(json.loads('filepath/spark-schema.json'))

但它给了我 TypeError: init() missing 2 required positional arguments: 'doc' and 'pos'

知道我当前的代码有什么问题吗？非常感谢

编辑：我遇到了这个 link sparkbyexamples.com/pyspark/pyspark-structtype-and-structfield 。第 7 章几乎描述了我遇到的问题。我只是不明白如何解析我手动增强为 schemaFromJson = StructType.fromJson(json.loads(schema.json)).

的 json 文件

当我这样做时：

jsonDF = spark.read.json(filesToLoad)
schema = jsonDF.schema.json()
schemaNew = StructType.fromJson(json.loads(schema))
jsonDF2 = spark.read.schema(schemaNew).json(filesToLoad)

代码贯穿，但显然没有用，因为jsonDF和jsonDF2确实有相同的content/schema。我想要实现的是向 'schema' 添加一些列，然后这些列将反映在 'schemaNew'.

Answer 1

为什么不定义一个空的 DF，其中包含 JSON 文件可以包含的所有列？然后将 JSON 加载到其中。这是一个想法：

对于 Spark 3.1.0：

from pyspark.sql.types import *

schema = StructType([
    StructField("fruit",StringType(),True),
    StructField("size",StringType(),True),
    StructField("color",StringType(),True)
])
df = spark.createDataFrame([], schema)

json_file_1 = {"fruit": "Apple","size": "Large"}
json_df_1 = spark.read.json(sc.parallelize([json_file_1]))

df = df.unionByName(json_df_1, allowMissingColumns=True)

json_file_2 = {"fruit": "Banana","size": "Small","color": "Yellow"}

df = df.unionByName(json_file_2, allowMissingColumns=True)

display(df)

Answer 2

我想我明白了。架构路径包含已经增强的架构：

schemapath = '/path/spark-schema.json'
with open(schemapath) as f:
   d = json.load(f)
   schemaNew = StructType.fromJson(d)
   jsonDf2 = spark.read.schema(schmaNew).json(filesToLoad)
   jsonDF2.printSchema()

Pyspark：从 JSON 文件创建模式

Pyspark: create a schema from JSON file

jsonschema

apache-spark-sql

pyspark