PySpark-将RDD转换为JSON

时间:2018-06-25 14:57:39

标签: arrays json pyspark

我有一个Hive查询,它以这种格式返回数据:

ip, category, score
1.2.3.4, X, 5
10.10.10.10, A, 2
1.2.3.4, Y, 2
12.12.12.12, G, 10
1.2.3.4, Z, 9
10.10.10.10, X, 3

在PySpark中,我通过hive_context.sql(my_query).rdd

每个IP地址可以具有多个分数(因此具有多个行)。我想以json / array格式获取此数据,如下所示:

{
    "ip": "1.2.3.4",
    "scores": [
        {
            "category": "X",
             "score": 10
        },
        {
            "category": "Y",
             "score": 2
        },
        {
            "category": "Z",
             "score": 9
        },
    ],
    "ip": "10.10.10.10",
    "scores": [
        {
            "category": "A",
             "score": 2
        },
        {
            "category": "X",
             "score": 3
        },
    ],
     "ip": "12.12.12.12",
    "scores": [
        {
            "category": "G",
             "score": 10
        },
    ],
}

请注意,RDD不一定要排序,并且RDD可以轻松包含几亿行。我是PySpark的新手,所以有关如何有效实现此目标的任何指示都将有所帮助。

1 个答案:

答案 0 :(得分:2)

groupBy ip,然后将分组的RDD转换为所需的内容:

rdd.groupBy(lambda r: r.ip).map(
  lambda g: {
    'ip': g[0], 
    'scores': [{'category': x['category'], 'score': x['score']} for x in g[1]]}
).collect()

# [{'ip': '1.2.3.4', 'scores': [{'category': 'X', 'score': 5}, {'category': 'Y', 'score': 2}, {'category': 'Z', 'score': 9}]}, {'ip': '12.12.12.12', 'scores': [{'category': 'G', 'score': 10}]}, {'ip': '10.10.10.10', 'scores': [{'category': 'A', 'score': 2}, {'category': 'X', 'score': 3}]}]