如何使用PySpark将以下JSON结构读取为spark dataframe?
我的JSON结构
{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}
我已经尝试过以下方法:
df = spark.read.json('simple.json');
我希望将a、b、c作为列,相应的值作为行输出。谢谢。
如何使用PySpark将以下JSON结构读取为spark dataframe?
我的JSON结构
{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}
df = spark.read.json('simple.json');
JSON字符串变量
如果你有作为变量的JSON字符串,那么你可以执行以下操作:
simple_json = '{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}'
rddjson = sc.parallelize([simple_json])
df = sqlContext.read.json(rddjson)
from pyspark.sql import functions as F
df.select(F.explode(df.results).alias('results')).select('results.*').show(truncate=False)
这将为您提供
+---+---+----+
|a |b |c |
+---+---+----+
|1 |2 |name|
|2 |5 |foo |
+---+---+----+
将JSON字符串作为文件中的单独行(SparkContext和SQLContext)
如果您有一个文件中的单独行JSON字符串,则可以像上面那样使用SparkContext将其读入rdd [string],然后其余过程与上述相同。
rddjson = sc.textFile('/home/anahcolus/IdeaProjects/pythonSpark/test.csv')
df = sqlContext.read.json(rddjson)
df.select(F.explode(df['results']).alias('results')).select('results.*').show(truncate=False)
将Json字符串作为文件中的单独行(仅适用于sqlContext)
如果您有一个文件中的Json字符串是单独一行,那么您可以只使用sqlContext
。但是,这个过程比较复杂,因为您必须为其创建模式。
df = sqlContext.read.text('path to the file')
from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.select(F.from_json(df.value, T.StructType([T.StructField('results', T.ArrayType(T.StructType([T.StructField('a', T.IntegerType()), T.StructField('b', T.IntegerType()), T.StructField('c', T.StringType())])))])).alias('results'))
df.select(F.explode(df['results.results']).alias('results')).select('results.*').show(truncate=False)
这将会给你与上述结果相同的结果。
我希望这个答案能够有所帮助。
!pip install findspark
!pip install pyspark
import findspark
import pyspark
findspark.init()
sc = pyspark.SparkContext.getOrCreate()
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('abc').getOrCreate()
让我们生成自己的JSON数据,这样我们就不必访问文件系统了。
stringJSONRDD = sc.parallelize(("""
{ "id": "123",
"name": "Katie",
"age": 19,
"eyeColor": "brown"
}""",
"""{
"id": "234",
"name": "Michael",
"age": 22,
"eyeColor": "green"
}""",
"""{
"id": "345",
"name": "Simone",
"age": 23,
"eyeColor": "blue"
}""")
)
然后创建 DataFrame
swimmersJSON = spark.read.json(stringJSONRDD)
swimmersJSON.createOrReplaceTempView("swimmersJSON")
from pyspark.sql import SparkSession
from pyspark.sql.functions import col
from pyspark.sql.functions import explode
spark = SparkSession.builder.getOrCreate()
sc = spark.sparkContext
json_data = '{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}'
json_rdd = sc.parallelize([json_data])
df = spark.read.json(json_rdd)
df =df.withColumn("results", explode(df.results)).select(
col("results.a").alias("a"),
col("results.b").alias("b"),
col("results.c").alias("c") )
df.show()