使用PySpark将JSON文件读取为Pyspark Dataframe吗？

Question

如何使用PySpark读取以下JSON结构以触发数据帧？

我的JSON结构

{"results":[{"a":1,"b":2,"c":"name"},{"a":2,"b":5,"c":"foo"}]}

我已经尝试过：

df = spark.read.json('simple.json');

我希望将输出a，b，c作为列，并将值作为相应的行。

谢谢。

Answer 1

Json字符串变量

如果您将 json字符串作为变量， 则可以

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)

这会给你

+---+---+----+
|a  |b  |c   |
+---+---+----+
|1  |2  |name|
|2  |5  |foo |
+---+---+----+

Json字符串作为文件中的单独行（sparkContext和sqlContext）

如果 文件中 有 json字符串作为单独的行， 则可以 使用sparkContext将其读入rdd [string]
，如上所述，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)

Json字符串作为文件中的单独行（仅适用于sqlContext）

如果您 在文件中将JSON字符串作为单独的行， 则只能使用sqlContext。但是这个过程是复杂的 ，你必须创建模式 为它

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)

这应该给你与上述结果相同

我希望答案是有帮助的