如何在Java中解析spark流中的复杂JSON数据

我们正在开发物联网应用程序

我们从每个要运行分析的设备中获得以下数据流

[{"t":1481368346000,"sensors":[{"s":"s1","d":"+149.625"},{"s":"s2","d":"+23.062"},{"s":"s3","d":"+16.375"},{"s":"s4","d":"+235.937"},{"s":"s5","d":"+271.437"},{"s":"s6","d":"+265.937"},{"s":"s7","d":"+295.562"},{"s":"s8","d":"+301.687"}]}]

在初级阶段，我能够使用spark java代码获得模式，如下所示

    root
     |-- sensors: array (nullable = true)
     |    |-- element: struct (containsNull = true)
     |    |    |-- d: string (nullable = true)
     |    |    |-- s: string (nullable = true)
     |-- t: long (nullable = true)

我写的代码是

    JavaDStream<String> json = directKafkaStream.map(new Function<Tuple2<String,String>, String>() {
        public String call(Tuple2<String,String> message) throws Exception {
            return message._2();
        };
    });

    SQLContext sqlContext = spark.sqlContext();
    json.foreachRDD(new VoidFunction<JavaRDD<String>>() {
        @Override
        public void call(JavaRDD<String> jsonRecord) throws Exception {

            Dataset<Row> row = sqlContext.read().json(jsonRecord).toDF();
            row.createOrReplaceTempView("MyTable");
            row.printSchema();
            row.show();

            Dataset<Row> sensors = row.select("sensors");
            sensors.createOrReplaceTempView("sensors");
            sensors.printSchema();
            sensors.show();

        }
    });

这给了我一个错误，即org.apache.spark.sql.AnalysisException:无法解析给定输入列的“传感器”：[]

我是spark和analytics的初学者，在java中找不到解析嵌套json的好例子

我想要实现的是，可能需要专家的建议

我将提取每个传感器值，然后使用sparkML spark库运行回归分析。这将帮助我了解每个传感器流中正在发生的趋势，以及我希望使用该数据检测故障

我不确定哪种方法最好，任何指导、链接和信息都会非常有用。

以下是您的json.foreachRDD的外观

json.foreachRDD(new VoidFunction<JavaRDD<String>>() {
        @Override
        public void call(JavaRDD<String> rdd) {
            if(!rdd.isEmpty()){
                Dataset<Row> data = spark.read().json(rdd).select("sensors");
                data.printSchema();
                data.show(false);
                //DF in table
                Dataset<Row> df = data.select( org.apache.spark.sql.functions.explode(org.apache.spark.sql.functions.col("sensors"))).toDF("sensors").select("sensors.s","sensors.d");
                df.show(false);
            }
        }
    });

对于回归分析示例，您可以在以下位置参考JavaRandomForestRegressionExample.java

对于使用spark机器学习和spark流的实时数据分析，您可以参考以下文章

下面是json.foreachRDD的外观

json.foreachRDD(new VoidFunction<JavaRDD<String>>() {
        @Override
        public void call(JavaRDD<String> rdd) {
            if(!rdd.isEmpty()){
                Dataset<Row> data = spark.read().json(rdd).select("sensors");
                data.printSchema();
                data.show(false);
                //DF in table
                Dataset<Row> df = data.select( org.apache.spark.sql.functions.explode(org.apache.spark.sql.functions.col("sensors"))).toDF("sensors").select("sensors.s","sensors.d");
                df.show(false);
            }
        }
    });

对于回归分析示例，您可以在以下位置参考JavaRandomForestRegressionExample.java

对于使用spark机器学习和spark流的实时数据分析，您可以参考以下文章

---

非常感谢你们的帮助，为我指明了正确的方向。现在使用这个，我可以提取单个值。正如您所知，有多个传感器，然后有多个流。因此将有成千上万的传感器数据流进入。请您推荐一种方法，为每个传感器训练不同的模型，然后继续运行预测……我已经编辑了上面的答案，并添加了一些使用Spark ML和流媒体进行实时分析的链接。非常感谢您的帮助，并为我指出了正确的方向。现在使用这个，我可以提取单个值。正如您所知，有多个传感器，然后有多个流。因此将有成千上万的传感器数据流进入。请您推荐一种方法，为每个传感器训练不同的模型，然后继续运行预测……我已经编辑了上面的答案，并添加了一些使用Spark ML和流媒体进行实时分析的链接。