spark中读取json_【Spark】使用DataFrame读取复杂JSON中的嵌套数组
众所周知,在早期Spark版本中就已经支持读取Json格式的数据文件,并能够直接转换为数据库表,以方便我们进行处理数据,在本篇文章中我们将介绍如何通过Spark API很简单地读取Json数据,并进一步讲解,读取复杂Json中的嵌套数组。
本次使用的各个组件版本设定如下:
Spark: 2.1.0
Scala 2.11.8
Hadoop 2.6.2
加载Json数据
我们可以简单地通过SQLContext读取Json文件
val dfSQLContext = sqlContext.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
或者通过SparkSession读取Json文件
val dfSparkSession = spark.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
以上两种方式读取的结果是一样的
scala> val dfSQLContext = sqlContext.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
dfSQLContext: org.apache.spark.sql.DataFrame = [addTime: string, channel: string ... 3 more fields]
scala> val dfSparkSession = spark.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
dfSparkSession: org.apache.spark.sql.DataFrame = [addTime: string, channel: string ... 3 more fields]
现在我们来看下整个Json的数据结构
scala> dfSparkSession.printSchema
root
|-- addTime: string
|-- channel: string
|-- consume_time: string
|-- message: struct
| |-- addressInfo: array
| | |-- element: struct
| | | |-- address: string
| | | |-- addressLabel: string
| | | |-- consignee: string
| | | |-- email: string
| | | |-- phoneNumber : string
| | | |-- region: string
| |-- certifyInfo: struct
| | ...结构比较复杂,此处省略
|-- sUserId: string (nullable = true)
因为结构比较复杂,直接挑重点进行讲解,在这里我们先看下addressInfo这个节点,节点中存储的是数组(array)形式的多条(struct)用户地址信息,地址信息中又包含了编号,手机号,地址等详细信息。
嵌套数组结构
打平/分解数组
如果Json对象中包含了数组结构,我们应该如何访问到数组中的元素呢?有一种方法就是直接将这条数据中的数组打平成多条数据,也就是一条记录拆分成多条记录,在这里我们可以直接通过explode()函数实现
scala> val dfDetails = dfSQLContext.select(dfSQLContext("sUserId"),explode(dfSQLContext("message.addressInfo"))).toDF("userid","addressInfo")
scala> dfDetails.printSchema
root
|-- userid: string
|-- addressInfo: struct
| |-- address: string
| |-- addressLabel: string
| |-- consignee: string
| |-- email: string
| |-- phoneNumber : string
| |-- region: string
| |-- telephoneNumber: string
现在我们已经将addressInfo打平成一条条记录,不再是数组结构的数据了。
这样就可以很简单的通过select来读取struct结构中的数据了,我们通过addressInfo.address来读取详细地址信息:
scala> val dfDetailsAddress = dfDetails.select("addressInfo.address")
scala> dfDetailsAddress.show(10)
+--------------------+
| address|
+--------------------+
|师大京东派|
|障岗村广东青年职业学院|
|永泰永康路致和街一巷之三号(永泰小学旁)|
|燕岭路89号燕侨大厦407室翰墨教育|
|广东财经大学华商学院-华商路1号|
|蓬馨园西二栋203|
|障岗村广东青年职业职业学院|
|新兴街教育局对面梦韵床上用品专卖店|
|大园街十一巷九号一楼|
|玉亭镇百湖凤凰溪35号|
+--------------------+
only showing top 10 rows
至此,每一条地址信息都拆分成了单独的一条记录。
参考文献
explode()
http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.functions$@explode(e:org.apache.spark.sql.Column):org.apache.spark.sql.Column
spark中读取json_【Spark】使用DataFrame读取复杂JSON中的嵌套数组相关推荐
- python使用pandas中的to_json函数将dataframe数据写入json文件中
python使用pandas中的to_json函数将dataframe数据写入json文件中 目录 python使用pandas中的to_json函数将dataframe数据写入json文件中 #导入 ...
- dataframe存到mysql中_pandas实现to_sql将DataFrame保存到数据库中
目的 在数据分析时,我们有中间结果,或者最终的结果,需要保存到数据库中:或者我们有一个中间的结果,如果放到数据库中通过sql操作会更加的直观,处理后再将结果读取到DataFrame中.这两个场景,就需 ...
- python逐行读取json_如何用python读取json文件里指定的数据
JSON文件who.json内容如下:{"name":"mss","version":"1.0.0","des ...
- python读取xlsx文件pandas_pandas dataframe 读取 xlsx 文件
refer to: dframe = pd.read_excel("file_name.xlsx") dframe = pd.read_excel("file_name. ...
- rapidjson 嵌套json_[整理][RapidJson用法2]C++之RapidJson创建嵌套数组json | 勤奋的小青蛙...
上篇博文里我通过RapidJson解析了嵌套的json文本,那么本文章是RapidJson创建嵌套数组Json文本. 代码: #include "rapidjson/document.h&q ...
- rapidjson 嵌套json_[整理][RapidJson用法1]C++之RapidJson解析嵌套数组json | 勤奋的小青蛙...
因为工作需要,需要对一段嵌套的json进行解析.其中我使用的开发语言是C++. 由于rapidjson的解析效率高效,所以今天研究了下RapidJson,下面是一段我用RapidJson解析的一段具有 ...
- 处理json中影响解析的多余引号
在xml中,敏感字符是尖括号,在json中,敏感字符是引号,上文中我们介绍了如何处理xml中的敏感字符,本文说说如何处理json中的敏感字符. 思路与上文相同,不再赘述.直接上代码: json–> ...
- 微擎写Android接口json,【微擎教程】getLocation需要在app.json中声明permission字段
个别需要获取用户地理位置的在开发者工具调试时会出现 getLocation需要在app.json中声明permission字段 提示,如下图 说明 获取用户位置信息时需填写用途说明 在一些小程序/ ...
- 小程序getLocation需要在app.json中声明permission字段
小程序getLocation需要在app.json中声明permission字段 个别需要获取用户地理位置的在开发者工具调试时会出现 getLocation需要在app.json中声明permissi ...
- easyui-combobox加载json中对象的属性
这次做项目遇到了一个问题,在easyui-combobox加载json数据中对象的属性.后台返回的json中包含一个对象,而我想调用对象中的属性,后台返回的json如下: {"rows&qu ...
最新文章
- SpringMVC之访问静态文件
- 【Linux】一步一步学Linux——w命令(227)
- [js高手之路] vue系列教程 - vue的事件绑定与方法(2)
- 宝塔面板的ftp无法使用解决
- 骑行GPS导航套件:多普达D600+夏新GPS-166+灵图天行者9配合,伴我骑行千里
- Oracle 数据文件迁移过程中 执行 shartup mount 报ORA03113:通讯通道的文件结尾 问题解决过程
- strcmp函数原型 C语言
- 国家计算机二级在线报名,23 日起,全国计算机等级考试开始网上报名
- prince和学生们侃侃而谈系列03
- sis最新ip地址2020_2020秋招经验分享
- java 校验银行卡号_Java之——基于Luhn算法的银行卡卡号的格式校验
- 计算机解译地学应用效果,2014年中国地质大学(武汉)0816测绘科学与技术考研大纲...
- quartz动态任务调度实现
- 91sp.vido.ws index.php_Vidows
- hibernate Criteria setProjection
- 华擎主板bios设置图解_主板BIOS界面解析_华擎 Z170 极限玩家 7+_主板-中关村在线...
- Android Gradle是什么?
- 各种进制之间的转换方法
- mysql 一 、关系模型——主键——外键——索引
- 世界上最快的排序算法——Timsort
热门文章
- Android5.0视频录制--MediaProjection
- 能笑抽的39个奇葩代码注释
- SAP ABAP 计划订单转采购申请 MD14
- IBC2018阵容一流的主旨演讲嘉宾名单公布,同时宣布推出Global Gamechangers舞台
- C#对TXT文件内容进行增删改操作
- VBA将ppt保存为html,把某页PPT保存成一个演示文稿的VBA代码
- html取代frame框架,替代iframe的最好方法 什么东西可以替代iframe
- 改变千万人生的一堂课(第四篇 职业精神)
- ssh登录linux
- Studio One5数字音乐制作工具