Question

我是pyspark的新手。我的要求是从嵌套的json文件中获取/提取属性名称。我尝试使用从pandas包中导入的json_normalize。它适用于直接属性，但从不获取json数组属性中的属性。我的json没有静态结构。对于我们收到的每个文档，它都不同。有人可以帮我解释一下下面提供的小示例

        {  
               "id":"1",
               "name":"a",
               "salaries":[  
                  {  
                     "salary":"1000"
                  },
                  {  
                     "salary":"5000"
                  }
               ],
               "states":{  
                  "state":"Karnataka",
                  "cities":[  
                     {  
                        "city":"Bangalore"
                     },
                     {  
                        "city":"Mysore"
                     }
                  ],
                  "state":"Tamil Nadu",
                  "cities":[  
                     {  
                        "city":"Chennai"
                     },
                     {  
                        "city":"Coimbatore"
                     }
                  ]
               }
            }

尤其是json数组元素。

预期输出： ID 名称薪金状态 States.cities.city``

Answer 1

这是从json中提取所有嵌套属性的另一种解决方案

import json

result_set = set([])


def parse_json_array(json_obj, parent_path):
    array_obj = list(json_obj)
    for i in range(0, len(array_obj)):
        json_ob = array_obj[i]
        if type(json_obj) == type(json_obj):
            parse_json(json_ob, parent_path)
    return None


def parse_json(json_obj, parent_path):
    for key in json_obj.keys():
        key_value = json_obj.get(key)
        # if isinstance(a, dict):
        if type(key_value) == type(json_obj):
            parse_json(key_value, str(key) if parent_path == "" else parent_path + "." + str(key))
        elif type(key_value) == type(list(json_obj)):
            parse_json_array(key_value, str(key) if parent_path == "" else parent_path + "." + str(key))
        result_set.add((parent_path + "." + key).encode('ascii', 'ignore'))
    return None



file_name = "C:/input/sample.json"
file_data = open(file_name, "r")
json_data = json.load(file_data)
print json_data

parse_json(json_data, "")
print list(result_set)

输出：

{u'states': {u'state': u'Tamil Nadu', u'cities': [{u'city': u'Chennai'}, {u'city': u'Coimbatore'}]}, u'id': u'1', u'salaries': [{u'salary': u'1000'}, {u'salary': u'5000'}], u'name': u'a'}
['states.cities.city', 'states.cities', '.id', 'states.state', 'salaries.salary', '.salaries', '.states', '.name']

注意：

My Python version: 2.7

Answer 2

您也可以以这种方式进行。

data = { "id":"1", "name":"a", "salaries":[ { "salary":"1000" }, { "salary":"5000" } ], "states":{ "state":"Karnataka", "cities":[ { "city":"Bangalore" }, { "city":"Mysore" } ], "state":"Tamil Nadu", "cities":[ { "city":"Chennai" }, { "city":"Coimbatore" } ] } }



def dict_ittr(lin,data):

    for k, v in data.items():
        if type(v)is list:
            for l in v:
               dict_ittr(lin+"."+k,l)
        elif type(v)is dict:
            dict_ittr(lin+"."+k,v)
            pass
        else:
            print lin+"."+k

dict_ittr("",data)

输出

.states.state
.states.cities.city
.states.cities.city
.id
.salaries.salary
.salaries.salary
.name

Answer 3

如果您将json像python字典一样对待，这应该可行。

我只是写了一个简单的递归程序。

脚本

import json

def js_r(filename):
    with open(filename) as f_in:
        return(json.load(f_in))

g = js_r("city.json")
answer_d = {}
def base_line(g, answer_d):
    for key in g.keys():
        answer_d[key] = {}
    return answer_d

answer_d = base_line(g, answer_d)
def recurser_func(g, answer_d):
    for k in g.keys():
        if type(g[k]) == type([]): #If the value is a list
            answer_d[k] = {list(g[k][0].keys())[0]:{}}

        if type(g[k]) == type({}): #If the value is a dictionary
            answer_d[k] = {list(g[k].keys())[0]: {}} #set key equal to 
            answer_d[k] = recurser_func(g[k], answer_d[k])
    return answer_d
recurser_func(g,answer_d)


def printer_func(answer_d, list_to_print, parent):
    for k in answer_d.keys():
        if len(answer_d[k].keys()) == 1:
            list_to_print.append(parent)
            list_to_print[-1] += k
            list_to_print[-1] += "." + str(list(answer_d[k].keys())[0])
        if len(answer_d[k].keys()) == 0:
            list_to_print.append(parent)
            list_to_print[-1] += k
        if len(answer_d[k].keys()) > 1:
            printer_func(answer_d[k], list_to_print, k + ".")
    return list_to_print



l = printer_func(answer_d, [], "")
final = " ".join(l)
print(final)

说明

base_line为所有基本键创建字典。

recursur_func检查键的值是列表还是字典，然后根据需要将其添加到答案字典中，直到answer_d看起来像：{'id': {}, 'name': {}, 'salaries': {'salary': {}}, 'states': {'state': {}, 'cities': {'city': {}}}}

调用这两个功能后，您将在某种程度上拥有一个字典。然后printer_func是一个递归函数，可以根据需要打印它。

注意：

您的问题与以下问题类似：Get all keys of a nested dictionary，但由于您拥有嵌套的列表/字典而不是嵌套的字典，因此它们的答案对您不起作用，但是有关该主题的讨论更多该问题是否需要更多信息

编辑1

我的python版本是3.7.1

我在顶部添加了一个json文件打开器。我假设json的名称为city.json，并且位于同一目录中

编辑2：更详尽的说明

我发现处理您的数据的主要困难是您可以拥有无限嵌套的列表和字典。这使其变得复杂。由于存在无限可能的嵌套，所以我新提出了递归问题。

因此，我构建了一个字典词典，表示您要寻找的键结构。首先，我从基线开始。

base_line使{'id': {}, 'name': {}, 'salaries': {}, 'states': {}}这是一个空字典的字典。我知道在您打印时。每个键结构（例如states.state）都以这些单词之一开头。

递归

然后，我使用recursur_func添加所有子键。给定字典g时，此函数用于遍历该字典中的所有键，并且（假设answer_d具有g的每个键）将为每个键添加该子键到answer_d。

如果孩子是字典。然后，使用给定的字典g递归，现在它是字典中与孩子有关的子部分，而answer_d是answer_d与孩子有关的子部分。

Pyspark-从json文件获取属性名称

3 个答案: