使用Scala将数据集转换为Json数组Spark

我对spark是新手，无法找到以下问题的解决方案

我有一个JSON文件要解析，然后创建几个指标，并将数据写回JSON格式

下面是我正在使用的代码

import org.apache.spark.sql._
import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.functions._

object quick2 {

  def main(args: Array[String]): Unit = {
    Logger.getLogger("org").setLevel(Level.ERROR)
    val spark = SparkSession
      .builder
      .appName("quick1")
      .master("local[*]")
      .getOrCreate()

    val rawData = spark.read.json("/home/umesh/Documents/Demo2/src/main/resources/sampleQuick.json")

    val mat1 = rawData.select(rawData("mal_name"),rawData("cust_id")).distinct().orderBy("cust_id").toJSON.cache()
    val mat2 = rawData.select(rawData("file_md5"),rawData("mal_name")).distinct().orderBy(asc("file_md5")).toJSON.cache()

val write1 = mat1.coalesce(1).toJavaRDD.saveAsTextFile("/home/umesh/Documents/Demo2/src/test/mat1/")

val write = mat2.coalesce(1).toJavaRDD.saveAsTextFile("/home/umesh/Documents/Demo2/src/test/mat2/")
}
}

现在，上面的代码正在编写正确的json格式。 但是，矩阵也可以包含重复的结果 例如：

因此，使用上面的代码，每个对象都将被写在一行中

像这样

{"file_md5":"1","mal_name":"a"}
{"file_md5":"1","mal_name":"b"}
{"file_md5":"2","mal_name":"c"}
{"file_md5":"3","mal_name":"d"}

等等

但我想结合常用密钥的数据：

所以输出应该是

{"file_md5":"1","mal_name":["a","b"]}

有人能建议我在这里做什么吗。或者是否有其他更好的方法来解决这个问题

谢谢

您可以根据需要在“名称”列中使用“收集列表”或“收集集合” 您可以直接将DataFrame/DataSet保存为JSON文件 您可以根据需要在“名称”列中使用“收集列表”或“收集集合” 您可以直接将DataFrame/DataSet保存为JSON文件

---

正如@mrsrinivas所写，我根据以下内容更改了代码

val mat2 = rawData.select(rawData("file_md5"),rawData("mal_name")).distinct().orderBy(asc("file_md5")).cache()
val labeledDf = mat2.toDF("file_md5","mal_name")
labeledDf.groupBy($"file_md5").agg(collect_list($"mal_name")).coalesce(1).write.format("json").save("/home/umesh/Documents/Demo2/src/test/run8/")

---

保持此问题的开放性，以获得更多建议。

如@mrsrinivas所写，我根据以下内容更改了代码

val mat2 = rawData.select(rawData("file_md5"),rawData("mal_name")).distinct().orderBy(asc("file_md5")).cache()
val labeledDf = mat2.toDF("file_md5","mal_name")
labeledDf.groupBy($"file_md5").agg(collect_list($"mal_name")).coalesce(1).write.format("json").save("/home/umesh/Documents/Demo2/src/test/run8/")

---

保持此问题处于打开状态以获取更多建议（如果有）。

.aggcollect\u list$mal\u name.aliasmal\u name应该可以避免您创建新列。您好，试用的alias不起作用，出现了一个错误，当我尝试使用时，它起作用了。val labeledDf=mat1.groupBy$file_md5.aggcollect_set$mal_name.asmal_name.aggcollect_list$mal_name.aliasmal_name应避免您创建新列。您好，试用的别名不起作用，我尝试使用时出现错误。val labeledDf=mat1.groupBy$file\u md5.aggcollect\u set$mal\u name.asmal\u name

val mat2 = rawData.select(rawData("file_md5"),rawData("mal_name")).distinct().orderBy(asc("file_md5")).cache()
val labeledDf = mat2.toDF("file_md5","mal_name")
labeledDf.groupBy($"file_md5").agg(collect_list($"mal_name")).coalesce(1).write.format("json").save("/home/umesh/Documents/Demo2/src/test/run8/")