展平任何嵌套的 json 字符串并使用 spark scala 转换为数据帧
Posted
技术标签:
【中文标题】展平任何嵌套的 json 字符串并使用 spark scala 转换为数据帧【英文标题】:Flatten any nested json string and convert to dataframe using spark scala 【发布时间】:2020-04-05 13:23:25 【问题描述】:我正在尝试创建从任何 json 字符串到数据帧的数据帧。 json 字符串通常很深并且嵌套了一些时间。 json字符串是这样的:
val json_string = """
"Total Value": 3,
"Topic": "Example",
"values": [
"value1": "#example1",
"points": [
[
"123",
"156"
]
],
"properties":
"date": "12-04-19",
"model": "Model example 1"
,
"value2": "#example2",
"points": [
[
"124",
"157"
]
],
"properties":
"date": "12-05-19",
"model": "Model example 2"
]
"""
我期望的输出是:
+-----------+-----------+----------+------------------+------------------+------------------------+-----------------------------+
|Total Value| Topic |values 1 | values.points[0] | values.points[1] | values.properties.date | values.properties.model |
+-----------+-----------+----------+------------------+------------------+------------------------+-----------------------------+
| 3 | Example | example1 | 123 | 156 | 12-04-19 | Model Example 1 |
| 3 | Example | example2 | 124 | 157 | 12-05-19 | Model example 2
+-----------+-----------+----------+------------------+------------------+------------------------+-----------------------------+
我正在做扁平化,但在 json 中选择了一些键来获取模式然后扁平化,但我不想以这种方式扁平化。它应该独立于任何要给出的键并相应地展平,如上面的输出所示。 即使在这种情况下给出了值的键之后,由于点是数组,所以我仍然得到 2 列相同的记录,因此点 [0] 为一列,而点 [1] 为不同的列。我的 Scala 火花代码是:
val key = "values" //Ideally this should not be given in my case.
val jsonFullDFSchemaString = spark.read.json(json_location).select(col(key)).schema.json; // changing values to reportData
val jsonFullDFSchemaStructType = DataType.fromJson(jsonFullDFSchemaString).asInstanceOf[StructType]
val df = spark.read.schema(jsonFullDFSchemaStructType).json(json_location);
现在我正在使用扁平化:
def flattenDataframe(df: DataFrame): DataFrame =
//getting all the fields from schema
val fields = df.schema.fields
val fieldNames = fields.map(x => x.name)
//length shows the number of fields inside dataframe
val length = fields.length
for (i <- 0 to fields.length - 1)
val field = fields(i)
val fieldtype = field.dataType
val fieldName = field.name
fieldtype match
case arrayType: ArrayType =>
val fieldName1 = fieldName
val fieldNamesExcludingArray = fieldNames.filter(_ != fieldName1)
val fieldNamesAndExplode = fieldNamesExcludingArray ++ Array(s"explode_outer($fieldName1) as $fieldName1")
//val fieldNamesToSelect = (fieldNamesExcludingArray ++ Array(s"$fieldName1.*"))
val explodedDf = df.selectExpr(fieldNamesAndExplode: _*)
return flattenDataframe(explodedDf)
case structType: StructType =>
val childFieldnames = structType.fieldNames.map(childname => fieldName + "." + childname)
val newfieldNames = fieldNames.filter(_ != fieldName) ++ childFieldnames
val renamedcols = newfieldNames.map(x => (col(x.toString()).as(x.toString().replace(".", "_").replace("$", "_").replace("__", "_").replace(" ", "").replace("-", ""))))
val explodedf = df.select(renamedcols: _*)
return flattenDataframe(explodedf)
case _ =>
df
现在终于从 json 获得扁平化数据帧:
val tableSchemaDF = flattenDataframe(df)
println(tableSchemaDF)
因此,理想情况下,任何 json 文件都应该像我上面显示的那样相应地变平,而不提供任何根键并且不创建 2 行。希望我已经提供了足够的细节。任何帮助将不胜感激。谢谢。
请注意:Json 数据来自 API,因此不确定根键“值”是否存在。这就是为什么我不打算为展平提供密钥。
【问题讨论】:
您是否验证了您的 JSON?我认为它的格式不正确。 感谢 @baithmbarek 纠正我的 json 字符串。 我认为这会帮助@Mahesh 【参考方案1】:这是一个基于递归的解决方案,最后有点“hacky”,因为你有特殊性:
@tailrec
def recurs(df: DataFrame): DataFrame =
if(df.schema.fields.find(_.dataType match
case ArrayType(StructType(_),_) | StructType(_) => true
case _ => false
).isEmpty) df
else
val columns = df.schema.fields.map(f => f.dataType match
case _: ArrayType => explode(col(f.name)).as(f.name)
case s: StructType => col(s"$f.name.*")
case _ => col(f.name)
)
recurs(df.select(columns:_*))
val recursedDF = recurs(df)
val valuesColumns = recursedDF.columns.filter(_.startsWith("value"))
val projectionDF = recursedDF.withColumn("values", coalesce(valuesColumns.map(col):_*))
.withColumn("point[0]", $"points".getItem(0))
.withColumn("point[1]", $"points".getItem(1))
.drop(valuesColumns :+ "points":_*)
projectionDF.show(false)
输出:
+-------+-----------+--------+---------------+---------+--------+--------+
|Topic |Total Value|date |model |values |point[0]|point[1]|
+-------+-----------+--------+---------------+---------+--------+--------+
|Example|3 |12-04-19|Model example 1|#example1|123 |156 |
|Example|3 |12-05-19|Model example 2|#example2|124 |157 |
+-------+-----------+--------+---------------+---------+--------+--------+
【讨论】:
我认为它仍然有不需要的“值”列名 问题是您想将不同的字段“合并”成一个字段。即:在您的示例中,应使用“value1”和“value2”来填充单个列。我不明白我们如何才能更通用。 嗨@baitmbarek,非常感谢你的代码真的很有帮助。如果我必须将列名指定为 values.value1、values.points 而不是 values 和 points...我必须进行哪些更改。 嗨@MohammadRijwan,您能否编辑您的问题并添加一个额外的段落来指定您期望的输出?很乐意提供帮助,但我不确定结构:) 嗨@baitmbarek,请参阅我在单独的问题中问过这个问题:***.com/questions/59873760/…【参考方案2】:我宁愿建议使用 spark
in-built
函数。您可以利用spark
函数的explode
来实现此目的。
这里是代码 sn-p。
scala> val df = spark.read.json(Seq(json_string).toDS)
scala> var dfd = df.select($"topic",$"total value",explode($"values").as("values"))
我在这里根据您的需要选择列。如果数据框中没有列,请根据您的要求添加。
scala> dfd.select($"topic",$"total value",$"values.points".getItem(0)(0).as("point_0"),$"values.points".getItem(0)(1).as("point_1"),$"values.properties.date".as("_date"),$"values.properties.model".as("_model")).show
+-------+-----------+-------+-------+--------+---------------+
| topic|total value|point_0|point_1| _date| _model|
+-------+-----------+-------+-------+--------+---------------+
|Example| 3| 123| 156|12-04-19|Model example 1|
|Example| 3| 124| 157|12-05-19|Model example 2|
+-------+-----------+-------+-------+--------+---------------+
如果 JSON 中的列数有限,此方法将为您提供最佳结果。
【讨论】:
实际上 json 来自 API,因此不确定键“值”是否相同 只是一个示例。以上是关于展平任何嵌套的 json 字符串并使用 spark scala 转换为数据帧的主要内容,如果未能解决你的问题,请参考以下文章