Python 如何将结构化数据映射到Spark中的schemaRDD？

我以前问过不同的问题，但有一些变化，所以我想再问一次，作为一个新问题。 我有一个结构化数据，其中只有一部分是json格式的，但我需要将整个数据映射到schemaRDD。数据如下所示：

03052015 04:13:20 {“recordType”：“NEW”，“data”：{“keycol”：“val1”，“col2”：“val2”，“col3”：“val3”}

每行以日期开头，后跟时间和json格式的文本。 我不仅需要将json中的文本映射到同一个结构中，还需要将日期和时间映射到同一个结构中

我在Python中尝试了它，但显然它不起作用，因为Row不接受RDD（在本例中是jsonRDD）

目标是能够对schemaRDD运行如下查询：

select date, time, data.keycol, data.val1, data.val2, data.val3 from myOrder

如何将整行映射到schemaRDD

---

感谢您的帮助。

sqlContext.jsonRDD从包含字符串的rdd创建一个模式rdd，其中每个字符串都包含一个JSON表示。此代码示例来自SparkSQL文档（）：

---

关于jsonRDD最酷的一点是，您可以提供和附加参数来说明JSONs模式，这将提高性能然后调用schemaRDD.schema方法来获取模式。

最简单的选项是将此字段添加到JSON并使用jsonRDD

我的数据：

03052015 04:13:20 {"recordType":"NEW","data":{"keycol":"val1","col1":"val5","col2":"val3"}}
03062015 04:13:20 {"recordType":"NEW1","data":{"keycol":"val2","col1":"val6","col2":"val3"}}
03072015 04:13:20 {"recordType":"NEW2","data":{"keycol":"val3","col1":"val7","col2":"val3"}}
03082015 04:13:20 {"recordType":"NEW3","data":{"keycol":"val4","col1":"val8","col2":"val3"}}

代码：

结果:

[Row(ts=u'03052015 04:13:20', recordType=u'NEW', keycol=u'val1', col1=u'val5', data=u'val3'), Row(ts=u'03062015 04:13:20', recordType=u'NEW1', keycol=u'val2', col1=u'val6', data=u'val3'), Row(ts=u'03072015 04:13:20', recordType=u'NEW2', keycol=u'val3', col1=u'val7', data=u'val3'), Row(ts=u'03082015 04:13:20', recordType=u'NEW3', keycol=u'val4', col1=u'val8', data=u'val3')]

---

在您的代码中，有一个问题是您为每一行调用jsonRDD，这是不正确的-它接受RDD并返回SchemaRDD。

这正是我要查找的。非常感谢。

03052015 04:13:20 {"recordType":"NEW","data":{"keycol":"val1","col1":"val5","col2":"val3"}}
03062015 04:13:20 {"recordType":"NEW1","data":{"keycol":"val2","col1":"val6","col2":"val3"}}
03072015 04:13:20 {"recordType":"NEW2","data":{"keycol":"val3","col1":"val7","col2":"val3"}}
03082015 04:13:20 {"recordType":"NEW3","data":{"keycol":"val4","col1":"val8","col2":"val3"}}

import json

def transform(data):
    ts  = data[:18].strip()
    jss = data[18:].strip()
    jsj = json.loads(jss)
    jsj['ts'] = ts
    return json.dumps(jsj)

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
rdd = sc.textFile('/sparkdemo/sample.data')
tbl = sqlContext.jsonRDD(rdd.map(transform))
tbl.registerTempTable("myOrder")

sqlContext.sql("select ts, recordType, data.keycol, data.col1, data.col2 data from myOrder").collect()

[Row(ts=u'03052015 04:13:20', recordType=u'NEW', keycol=u'val1', col1=u'val5', data=u'val3'), Row(ts=u'03062015 04:13:20', recordType=u'NEW1', keycol=u'val2', col1=u'val6', data=u'val3'), Row(ts=u'03072015 04:13:20', recordType=u'NEW2', keycol=u'val3', col1=u'val7', data=u'val3'), Row(ts=u'03082015 04:13:20', recordType=u'NEW3', keycol=u'val4', col1=u'val8', data=u'val3')]