有没有办法在pyspark中逐个访问数组(struct)中的多个JSON对象
我对pyspark和json解析有点陌生,我被困在某些特定场景中。首先让我解释一下我要做的事情,我有一个json文件,其中有一个数据元素,该数据元素是一个数组,其中包含两个其他json对象。下面是给定的json文件有没有办法在pyspark中逐个访问数组(struct)中的多个JSON对象,json,apache-spark,dataframe,pyspark,pyspark-sql,Json,Apache Spark,Dataframe,Pyspark,Pyspark Sql,我对pyspark和json解析有点陌生,我被困在某些特定场景中。首先让我解释一下我要做的事情,我有一个json文件,其中有一个数据元素,该数据元素是一个数组,其中包含两个其他json对象。下面是给定的json文件 { "id": "da20d14c.92ba6", "type": "Data Transformation Node", "name": "", "topic": "", "x": 380, "y": 240, "typeo
{
"id": "da20d14c.92ba6",
"type": "Data Transformation Node",
"name": "",
"topic": "",
"x": 380,
"y": 240,
"typeofoperation":"join",
"wires": [
["da20d14c.92ba6","da20d14c.93ba6"]
],
"output":true,
"data":[
{
"metadata_id":"3434",
"id":"1",
"first_name":"Brose",
"last_name":"Eayres",
"email":"beayres0@archive.org",
"gender":"Male",
"postal_code":null
},
{
"metadata_id":"3434",
"id":"2",
"first_name":"Brose",
"last_name":"Eayres",
"email":"beayres0@archive.org",
"gender":"Male",
"postal_code":null
}
]
}
现在我要做的是一个接一个地迭代该数据数组:这意味着迭代到json的第一个对象,将其存储到一个数据帧中,然后迭代到第二个对象,将其存储到另一个数据帧中,然后对其进行完全连接或任何类型的连接(可能吗)
如果是,如何在pyspark中执行此操作。到目前为止,我所做的是试图将其分解,但数据是立即分解的,而不是逐个分解
from pyspark.sql import SparkSession
from pyspark.sql.functions import explode, col
from pyspark.sql.functions import *
from pyspark.sql import Row
from pyspark.sql import SQLContext
from pyspark import SparkConf, SparkContext
spark = SparkSession \
.builder \
.appName("Python Spark SQL basic example") \
.getOrCreate()
sc = SparkContext.getOrCreate()
dataFrame = spark.read.option("multiline", "true").json("nodeWithTwoRddJoin.json")
dataNode = dataFrame.select(explode("data").alias("Data_of_node"))
dataNode.show()
但是上面的代码给了我一个集合数据集。比我以前
firstDataSet = dataNode.collect()[0]
secondDataSet = dataNode.collect()[1]
这些行给了我一行,我无法将其协调回dataframe。任何建议和解决方案这将它们至少放在两个数据帧中
from pyspark.sql.functions import monotonically_increasing_id
df_with_id = dataNode.withColumn("id",monotonically_increasing_id())
max_id = df_with_id.agg({"id": "max"}).collect()[0]["max(id)"]
first_df = df_with_id.where("id = {maxid}".format(maxid=max_id))
second_df = df_with_id.where("id != {maxid}".format(maxid=max_id))
您需要在数据帧的每一行上应用一个映射,该映射将其中一列的内容拆分为两个新列。之后,将结果分离为两个数据帧并不重要。为了实现这一点,我使用了一个简单的函数,从数组返回所需的索引:
def splitArray(array, pos):
return array[pos]
您可以这样应用此功能:
import pyspark.sql.functions as f
mapped = dataFrame.select(
splitArray(f.col('data'), 0).alias('first'),
splitArray(f.col('data'), 1).alias('second'))
(我使用内置的“col”函数来选择数据列。不确定是否有更优雅的方法来实现这一点。)
结果是:
+-----------------------------------------------------+-----------------------------------------------------+
|first |second
|
+-----------------------------------------------------+-----------------------------------------------------+
|[beayres0@archive.org, Brose, Male, 1, Eayres, 3434,]|[beayres0@archive.org, Brose, Male, 2, Eayres, 3434,]|
+-----------------------------------------------------+-----------------------------------------------------+
要删除不同dfs中的列,只需选择它们:
firstDataSet = mapped.select('first')
secondDataSet = mapped.select('second)
首先让我问一下——它本质上只是一行数据,为什么需要一个完整的数据帧?您是否预计该行还会有其他收藏?或者你只是想连接两行吗?如果我可以在这两行上应用连接,那么也可以,因为我不知道我们是否可以在两行上应用连接,或者我们可以吗?我将这些行转换为数据帧的原因是,我的应用程序将数据帧作为输入,并将数据场作为输出。实际上,它不起作用,它在max_id=df_with_id.agg({“id”:“max”})处出现异常。collect()[0][“max(id)”]行,错误是AttributeError:module'json'没有属性'loads'耶,这样就可以了,进一步的查询将像email=firstDataSet.select(col(“first.email”))那样进行。非常感谢。你是个救生员