如何使用Spark DataFrames查询JSON数据列？

Question

我有一张Cassandra表，为简单起见，看起来像：

key: text
jsonData: text
blobData: blob

我可以使用spark和spark-cassandra-connector为此创建一个基本数据框：

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

我正在努力将JSON数据扩展到其底层结构中。我最终希望能够根据json字符串中的属性进行过滤并返回blob数据。像jsonData.foo =＆＃34; bar＆＃34;并返回blobData。这目前可能吗？

Answer 1

Spark＆gt; = 2.4

如果需要，可以使用schema_of_json函数确定模式：

import org.apache.spark.sql.functions.schema_of_json

val schema = df.select(schema_of_json($"jsonData")).as[String].first
df.withColumn("jsonData", from_json($"jsonData", schema, Map[String, String]()))

Spark＆gt; = 2.1

您可以使用from_json功能：

import org.apache.spark.sql.functions.from_json
import org.apache.spark.sql.types._

val schema = StructType(Seq(
  StructField("k", StringType, true), StructField("v", DoubleType, true)
))

df.withColumn("jsonData", from_json($"jsonData", schema))

Spark＆gt; = 1.6

您可以使用get_json_object来获取列和路径：

import org.apache.spark.sql.functions.get_json_object

val exprs = Seq("k", "v").map(
  c => get_json_object($"jsonData", s"$$.$c").alias(c))

df.select($"*" +: exprs: _*)

并将字段提取到单个字符串，这些字符串可以进一步转换为预期类型。

path参数使用点语法表示，前导$.表示文档根（因为上面的代码使用字符串插值$必须进行转义，因此$$. ）。

Spark＆lt; = 1.5 ：

  

这目前可能吗？

据我所知，这不是直接可能的。你可以尝试类似的东西：

val df = sc.parallelize(Seq(
  ("1", """{"k": "foo", "v": 1.0}""", "some_other_field_1"),
  ("2", """{"k": "bar", "v": 3.0}""", "some_other_field_2")
)).toDF("key", "jsonData", "blobData")

我认为blob字段无法用JSON表示。否则，您可以省略拆分和加入：

import org.apache.spark.sql.Row

val blobs = df.drop("jsonData").withColumnRenamed("key", "bkey")
val jsons = sqlContext.read.json(df.drop("blobData").map{
  case Row(key: String, json: String) =>
    s"""{"key": "$key", "jsonData": $json}"""
}) 

val parsed = jsons.join(blobs, $"key" === $"bkey").drop("bkey")
parsed.printSchema

// root
//  |-- jsonData: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: double (nullable = true)
//  |-- key: long (nullable = true)
//  |-- blobData: string (nullable = true)

另一种（更便宜，虽然更复杂）方法是使用UDF来解析JSON并输出struct或map列。例如：

import net.liftweb.json.parse

case class KV(k: String, v: Int)

val parseJson = udf((s: String) => {
  implicit val formats = net.liftweb.json.DefaultFormats
  parse(s).extract[KV]
})

val parsed = df.withColumn("parsedJSON", parseJson($"jsonData"))
parsed.show

// +---+--------------------+------------------+----------+
// |key|            jsonData|          blobData|parsedJSON|
// +---+--------------------+------------------+----------+
// |  1|{"k": "foo", "v":...|some_other_field_1|   [foo,1]|
// |  2|{"k": "bar", "v":...|some_other_field_2|   [bar,3]|
// +---+--------------------+------------------+----------+

parsed.printSchema

// root
//  |-- key: string (nullable = true)
//  |-- jsonData: string (nullable = true)
//  |-- blobData: string (nullable = true)
//  |-- parsedJSON: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: integer (nullable = false)

Answer 2

zero323's answer十分详尽，但是缺少Spark 2.1+中可用的一种方法，并且比使用schema_of_json()更简单，更可靠：

import org.apache.spark.sql.functions.from_json

val json_schema = spark.read.json(df.select("jsonData").as[String]).schema
df.withColumn("jsonData", from_json($"jsonData", json_schema))

以下是与Python等效的内容：

from pyspark.sql.functions import from_json

json_schema = spark.read.json(df.select("jsonData").rdd.map(lambda x: x[0])).schema
df.withColumn("jsonData", from_json("jsonData", json_schema))

正如0323所指出的，schema_of_json()的问题在于它检查单个字符串并从中得出一个模式。如果您的JSON数据具有不同的模式，那么从schema_of_json()返回的模式将无法反映出如果您要合并DataFrame中所有JSON数据的模式所得到的结果。然后，用from_json()解析数据将产生许多null或空值，其中schema_of_json()返回的架构与数据不匹配。

通过使用Spark从JSON字符串的RDD派生全面的JSON模式的功能，我们可以保证可以解析所有JSON数据。

示例：schema_of_json()与spark.read.json()

下面是一个示例（在Python中，Scala的代码非常相似）说明了使用schema_of_json()从单个元素派生架构与使用spark.read.json()从所有数据派生架构之间的区别。

>>> df = spark.createDataFrame(
...     [
...         (1, '{"a": true}'),
...         (2, '{"a": "hello"}'),
...         (3, '{"b": 22}'),
...     ],
...     schema=['id', 'jsonData'],
... )

a在一行中具有布尔值，在另一行中具有字符串值。 a的合并模式会将其类型设置为字符串。 b是整数。

让我们看看不同方法的比较。首先，schema_of_json()方法：

>>> json_schema = schema_of_json(df.select("jsonData").take(1)[0][0])
>>> parsed_json_df = df.withColumn("jsonData", from_json("jsonData", json_schema))
>>> parsed_json_df.printSchema()
root
 |-- id: long (nullable = true)
 |-- jsonData: struct (nullable = true)
 |    |-- a: boolean (nullable = true)

>>> parsed_json_df.show()
+---+--------+
| id|jsonData|
+---+--------+
|  1|  [true]|
|  2|    null|
|  3|      []|
+---+--------+

如您所见，我们派生的JSON模式非常有限。 "a": "hello"无法解析为布尔值并返回null，"b": 22之所以被删除是因为它不在我们的架构中。

现在有spark.read.json()：

>>> json_schema = spark.read.json(df.select("jsonData").rdd.map(lambda x: x[0])).schema
>>> parsed_json_df = df.withColumn("jsonData", from_json("jsonData", json_schema))
>>> parsed_json_df.printSchema()
root
 |-- id: long (nullable = true)
 |-- jsonData: struct (nullable = true)
 |    |-- a: string (nullable = true)
 |    |-- b: long (nullable = true)

>>> parsed_json_df.show()
+---+--------+
| id|jsonData|
+---+--------+
|  1| [true,]|
|  2|[hello,]|
|  3|  [, 22]|
+---+--------+

在这里，我们保留了所有数据，并具有用于说明所有数据的全面架构。 "a": true被强制转换为字符串以匹配"a": "hello"的架构。

使用spark.read.json()的主要缺点是Spark会扫描您所有的数据以得出模式。根据您拥有的数据量，开销可能会很大。如果您知道所有JSON数据都具有一致的架构，则可以继续使用，只需对单个元素使用schema_of_json()。如果您具有架构可变性，但又不想扫描所有数据，则可以在对samplingRatio的调用中将1.0设置为小于spark.read.json()的值，以查看数据。

以下是spark.read.json()的文档：Scala API / Python API

Answer 3

from_json功能正是您正在寻找的功能。您的代码将类似于：

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

//You can define whatever struct type that your json states
val schema = StructType(Seq(
  StructField("key", StringType, true), 
  StructField("value", DoubleType, true)
))

df.withColumn("jsonData", from_json(col("jsonData"), schema))

Answer 4

底层JSON字符串是

"{ \"column_name1\":\"value1\",\"column_name2\":\"value2\",\"column_name3\":\"value3\",\"column_name5\":\"value5\"}";

下面是过滤JSON并将所需数据加载到Cassandra的脚本。

  sqlContext.read.json(rdd).select("column_name1 or fields name in Json", "column_name2","column_name2")
            .write.format("org.apache.spark.sql.cassandra")
            .options(Map("table" -> "Table_name", "keyspace" -> "Key_Space_name"))
            .mode(SaveMode.Append)
            .save()

Answer 5

我使用以下

（自2.2.0起可用，我假设您的json字符串列位于列索引0处）

def parse(df: DataFrame, spark: SparkSession): DataFrame = {
    val stringDf = df.map((value: Row) => value.getString(0), Encoders.STRING)
    spark.read.json(stringDf)
}

它将自动推断JSON中的架构。记录在这里： https://spark.apache.org/docs/2.3.0/api/java/org/apache/spark/sql/DataFrameReader.html