如何使用嵌套列表和字典加载JSON对象？

Question

我有JSON对象，采取以下形式：

{
    "docId" : "1",
    "links" : {
        "a link": ["endpoint 1", "endpoint 2"],
        "another link": ["endpoint 3"] 
    },
    "authors" : ["Thomas", "Peter"],
    "text": "This is the document text!"    
}

为了使用SparkSession.read.json加载它，我将所有这些JSON对象写入一个文件concatenated.txt，其中每行代表一个完整的文档：

{"docId": "1", ...}
{"docId": "2", ...}
{"docId": "3", ...}

问题是如果我跑

df_data = spark.read.json('concatenated.txt')

它不起作用，因为我遇到了java.lang.OutOfMemoryError。我不明白确切的问题，但我想它只是无法推断出正确的类型。出于这个原因，我将以下模式定义为解决方法。到目前为止这是有效的：

schema = StructType([
        StructField("docId", StringType(), True),
        StructField("links", StringType(), True),
        StructField("authors", StringType(), True),
        StructField("text", StringType(), True)                              
])

df_data = spark.read.json('concatenated.txt', schema=schema)

但当然，这要求我做一些事情：

import json 
# ..
df_data.flatMap(lambda x: json.loads(x.authors))

为了拥有实际的底层对象。

我的问题是如何加载JSON数据，以便所有复杂对象实际上都是在加载时构造的。所以authors应该例如总是包含list（或None），而links是dict，其值也是list类型。

样本数据：

{ "docId" : "1", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }
{ "docId" : "2", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }
{ "docId" : "3", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }
{ "docId" : "4", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }
{ "docId" : "5", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }
{ "docId" : "6", "links" : { "a link": ["endpoint 1", "endpoint 2"], "another link": ["endpoint 3"] }, "authors" : ["Thomas", "Peter"], "text": "This is the document text!" }