Spark - 将包含 JSON 字符串的列从 StringType 转换为 Array Type(StringType())
Posted
技术标签:
【中文标题】Spark - 将包含 JSON 字符串的列从 StringType 转换为 Array Type(StringType())【英文标题】:Spark - Convert a coulmn containing JSON string from StringType to ArrayType(StringType()) 【发布时间】:2021-06-07 07:06:24 【问题描述】:我有一个数据框 df,其中包含如下所示的 json 字符串,
'''["@id":"Party_1","@ObjectID":"Policy_1","@id":"Party_2","@ObjectID":"Policy_2","@id":"Party_3","@ObjectID":"Policy_3"]'''
df 架构:
root
|-- col1: string (nullable = true)
如何将其转换为字符串数组 (ArrayType(StringType()))?
结果应该是这样的,
['"@id":"Party_1","@OriginatingObjectID":"Policy_1"',
'"@id":"Party_2","@OriginatingObjectID":"Policy_2"',
'"@id":"Party_3","@OriginatingObjectID":"Policy_3"']
结果架构:
root
|-- arr_col: array (nullable = true)
| |-- element: string (containsNull = true)
任何帮助将不胜感激。谢谢!
【问题讨论】:
您的“预期结果”没有您描述的架构。您期望的结果是 ArrayType(MapType(StringType()))。请更清楚您的期望。 对不起,我已经更新了结果。预期的结果是 JSON 字符串数组。 【参考方案1】:您可以使用 from_json 函数获取 json 字段,对值稍作修改,如下所示
data = [
('["@id":"Party_1","@ObjectID":"Policy_1","@id":"Party_2","@ObjectID":"Policy_2","@id":"Party_3","@ObjectID":"Policy_3"]', 2767),
('["@id":"Party_1","@ObjectID":"Policy_1","@id":"Party_2","@ObjectID":"Policy_2","@id":"Party_3","@ObjectID":"Policy_3"]', 4235)
]
df = spark.createDataFrame(data).toDF(*["value", "count"])\
.withColumn("value", f.regexp_replace(f.col("value"), "\\[\\", "\"arr\": ["))\
.withColumn("value", f.regexp_replace(f.col("value"), "\\\\]", "]"))
json_schema = spark.read.json(df.rdd.map(lambda row: row.value)).schema
resultDF = df.select(f.from_json("value",
schema=json_schema).alias("array_col"))\
.select("array_col.*")
resultDF.printSchema()
resultDF.show(truncate=False)
如果您想将嵌套的 json 作为字符串,也可以使用自定义架构。
输出架构:
root
|-- arr: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- @ObjectID: string (nullable = true)
| | |-- @id: string (nullable = true)
输出:
+---------------------------------------------------------------+
|arr |
+---------------------------------------------------------------+
|[Policy_1, Party_1, Policy_2, Party_2, Policy_3, Party_3]|
|[Policy_1, Party_1, Policy_2, Party_2, Policy_3, Party_3]|
+---------------------------------------------------------------+
【讨论】:
以上是关于Spark - 将包含 JSON 字符串的列从 StringType 转换为 Array Type(StringType())的主要内容,如果未能解决你的问题,请参考以下文章
如何将具有嵌套元素的列从其他列添加到数据框(withColumn)[重复]
PostgreSQL,试图将日期列从 csv 文件复制到表的列
将包含多种字符串日期格式的列转换为 Spark 中的 DateTime