Question

我正在使用spark 1.5。我想从HDFS中的文件创建dataframe。 HDFS文件包含json个数据，其中包含大量按顺序输入文件格式的字段。

有没有办法在java中优雅地做到这一点？我事先并不知道json的结构/领域。

我可以将序列文件中的输入作为RDD，如下所示：

JavaPairRDD<LongWritable,BytesWritable> inputRDD = jsc.sequenceFile("s3n://key_id:secret_key@file/path", LongWritable.class, BytesWritable.class);
JavaRDD<String> events = inputRDD.map(
    new Function<Tuple2<LongWritable,BytesWritable>, String>() {
        public String call(Tuple2<LongWritable,BytesWritable> tuple) {
            return Text.decode(tuple._2.getBytes());
        }
    }
);

如何从此RDD创建数据框？

Answer 1

我在序列文件中对json数据执行了以下操作：

    JavaRDD<String> events = inputRDD.map(
    new Function<Tuple2<LongWritable,BytesWritable>, String>() {
        public String call(Tuple2<LongWritable,BytesWritable> tuple) throws JSONException, UnsupportedEncodingException {
            String valueAsString = new String(tuple._2.getBytes(), "UTF-8");
            JSONObject data = new JSONObject(valueAsString);
            JSONObject payload = new JSONObject(data.getString("payload"));
            String atlas_ts = "";
            return payload.toString();
        }
    }
    );

如何从sequenceFile创建spark DataFrame

1 个答案: