如何在 PySpark 中将字符串转换为字典 (JSON) 的 ArrayType

Posted 2023-04-13

【中文标题】如何在 PySpark 中将字符串转换为字典 (JSON) 的 ArrayType

【英文标题】：How to cast string to ArrayType of dictionary (JSON) in PySpark

【发布时间】：2018-08-06 18:40:42

【问题描述】：

尝试将 StringType 转换为 JSON 的 ArrayType 以生成 CSV 格式的数据帧。

在Spark2 上使用pyspark

我正在处理的 CSV 文件；如下-

date,attribute2,count,attribute3
2017-09-03,'attribute1_value1',2,'["key":"value","key2":2,"key":"value","key2":2,"key":"value","key2":2]'
2017-09-04,'attribute1_value2',2,'["key":"value","key2":20,"key":"value","key2":25,"key":"value","key2":27]'

如上所示，它在文字字符串中包含一个属性"attribute3"，从技术上讲，它是一个精确长度为2的字典（JSON）列表。 （这是函数 distinct 的输出）

来自printSchema()的片段

attribute3: string (nullable = true)

我正在尝试将"attribute3" 转换为ArrayType，如下所示

temp = dataframe.withColumn(
    "attribute3_modified",
    dataframe["attribute3"].cast(ArrayType())
)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: __init__() takes at least 2 arguments (1 given)

确实，ArrayType 期望数据类型作为参数。我试过"json"，但没有用。

所需的输出 - 最后，我需要将attribute3 转换为ArrayType() 或简单的Python 列表。 （我试图避免使用eval）

如何将其转换为ArrayType，以便将其视为 JSON 列表？

我在这里遗漏了什么吗？

（documentation，并没有直接解决这个问题）

【问题讨论】：

你想要的输出是什么？请阅读how to create good reproducible apache spark dataframe examples 并尝试为我们提供一些示例输入/输出。

@pault 更新了问题。我只是想将字符串转换为ArrayType(JSON?)

JSON 不是 pyspark 中数组的有效数据类型。如果你能提供一个你希望最终输出看起来像什么的例子，那将会很有帮助。可能有不同的方法来获得尚未考虑的输出。

是的，JSON 不是有效的数据类型。我想将它转换为简单的 Python 列表，我可以在其中执行一些操作（例如 - 在 JSON 中求和/连接值，或将其与其他数据框连接并检查属性的相等性）我试图避免使用 @987654341 @

【参考方案1】：

使用from_json 与attribute3 列中的实际数据匹配的架构将json 转换为ArrayType：

原始数据框：

df.printSchema()
#root
# |-- date: string (nullable = true)
# |-- attribute2: string (nullable = true)
# |-- count: long (nullable = true)
# |-- attribute3: string (nullable = true)

from pyspark.sql.functions import from_json
from pyspark.sql.types import *

创建架构：

schema = ArrayType(
    StructType([StructField("key", StringType()), 
                StructField("key2", IntegerType())]))

使用from_json:

df = df.withColumn("attribute3", from_json(df.attribute3, schema))

df.printSchema()
#root
# |-- date: string (nullable = true)
# |-- attribute2: string (nullable = true)
# |-- count: long (nullable = true)
# |-- attribute3: array (nullable = true)
# |    |-- element: struct (containsNull = true)
# |    |    |-- key: string (nullable = true)
# |    |    |-- key2: integer (nullable = true)

df.show(1, False)
#+----------+----------+-----+------------------------------------+
#|date      |attribute2|count|attribute3                          |
#+----------+----------+-----+------------------------------------+
#|2017-09-03|attribute1|2    |[[value, 2], [value, 2], [value, 2]]|
#+----------+----------+-----+------------------------------------+

【讨论】：

可能是版本问题，但我通过此代码收到java.lang.ClassCastException: org.apache.spark.sql.types.ArrayType cannot be cast to org.apache.spark.sql.types.StructType。

@pault 同意。根据docs，在版本2.1.0 中，只允许StructType。 ArrayType 被添加到2.2.0.

【参考方案2】：

@Psidom 的 answer 对我不起作用，因为我使用的是 Spark 2.1。

就我而言，我不得不稍微修改您的 attribute3 字符串以将其包装在字典中：

import pyspark.sql.functions as f
df2 = df.withColumn("attribute3", f.concat(f.lit('"data": '), "attribute3", f.lit("")))
df2.select("attribute3").show(truncate=False)
#+--------------------------------------------------------------------------------------+
#|attribute3                                                                            |
#+--------------------------------------------------------------------------------------+
#|"data": ["key":"value","key2":2,"key":"value","key2":2,"key":"value","key2":2]|
#+--------------------------------------------------------------------------------------+

现在我可以如下定义架构：

schema = StructType(
    [
        StructField(
            "data",
            ArrayType(
                StructType(
                    [
                        StructField("key", StringType()),
                        StructField("key2", IntegerType())
                    ]
                )
            )
        )
    ]
)

现在使用from_json，后跟getItem()：

df3 = df2.withColumn("attribute3", f.from_json("attribute3", schema).getItem("data"))
df3.show(truncate=False)
#+----------+----------+-----+---------------------------------+
#|date      |attribute2|count|attribute3                       |
#+----------+----------+-----+---------------------------------+
#|2017-09-03|attribute1|2    |[[value,2], [value,2], [value,2]]|
#+----------+----------+-----+---------------------------------+

还有架构：

df3.printSchema()
# root
# |-- attribute3: array (nullable = true)
# |    |-- element: struct (containsNull = true)
# |    |    |-- key: string (nullable = true)
# |    |    |-- key2: integer (nullable = true)

【讨论】：

这对我来说非常有用。巧妙地使用包装技巧使其工作。我在 2.1 上遇到了同样的问题。只是为了补充您的答案，我能够使用 schema = spark.read.json(df2.rdd.map(lambda row: row.attribute3)).schema

动态地让 spark 确定架构