我对Pyspark很新 . 我尝试使用以下代码解析JSON文件
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.json("file:///home/malwarehunter/Downloads/122116-path.json")
df.printSchema()
输出如下 .
root | - _corrupt_record:string(nullable = true)
df.show()
输出看起来像这样
+--------------------+
| _corrupt_record|
+--------------------+
| {|
| "time1":"2...|
| "time2":"201...|
| "step":0.5,|
| "xyz":[|
| {|
| "student":"00010...|
| "attr...|
| [ -2.52, ...|
| [ -2.3, -...|
| [ -1.97, ...|
| [ -1.27, ...|
| [ -1.03, ...|
| [ -0.8, -...|
| [ -0.13, ...|
| [ 0.09, -...|
| [ 0.54, -...|
| [ 1.1, -...|
| [ 1.34, 0...|
| [ 1.64, 0...|
+--------------------+
only showing top 20 rows
Json文件看起来像这样 .
{
"time1":"2016-12-16T00:00:00.000",
"time2":"2016-12-16T23:59:59.000",
"step":0.5,
"xyz":[
{
"student":"0001025D0007F5DB",
"attr":[
[ -2.52, -1.17 ],
[ -2.3, -1.15 ],
[ -1.97, -1.19 ],
[ 10.16, 4.08 ],
[ 10.23, 4.87 ],
[ 9.96, 5.09 ] ]
},
{
"student":"0001025D0007F5DC",
"attr":[
[ -2.58, -0.99 ],
[ 10.12, 3.89 ],
[ 10.27, 4.59 ],
[ 10.05, 5.02 ] ]
}
]}
你能帮我解析一下并创建这样的数据框吗?
2 回答
Spark >= 2.2 :
您可以将
multiLine
参数用于JSON阅读器:Spark < 2.2
几乎是通用但相当昂贵的解决方案,可用于读取多行JSON文件:
使用
SparkContex.wholeTextFiles
读取数据 .删除键(文件名) .
将结果传递给
DataFrameReader.json
.只要您的数据没有其他问题,它应该可以解决问题:
我遇到了类似的问题 . 当Spark读取Json文件时,它期望每一行都是一个单独的JSON对象 . 因此,如果您尝试加载非常格式化的JSON文件,它将失败 . 我走动它是为了缩小Spark正在阅读的JSON文件 .