如何解析 pyspark 的 DataStreamReader 中的 json 字符串列并创建数据框

Posted 2023-04-18

【中文标题】如何解析 pyspark 的 DataStreamReader 中的 json 字符串列并创建数据框

【英文标题】：How to parse a json string column in pyspark's DataStreamReader and create a Data Frame

【发布时间】：2019-02-15 01:21:48

【问题描述】：

我正在阅读来自 kafka 主题的消息

messageDFRaw = spark.readStream\
                    .format("kafka")\
                    .option("kafka.bootstrap.servers", "localhost:9092")\
                    .option("subscribe", "test-message")\
                    .load()

messageDF = messageDFRaw.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING) as dict")

当我从上述查询中打印数据框时，我得到以下控制台输出。

|key|dict|
|#badbunny |"channel": "#badbunny", "username": "mgat22", "message": "cool"|

如何从 DataStreamReader 创建一个数据框，以便我有一个列为 |key|channel| username| message| 的数据框

我尝试遵循How to read records in JSON format from Kafka using Structured Streaming? 中接受的答案

struct = StructType([
    StructField("channel", StringType()),
    StructField("username", StringType()),
    StructField("message", StringType()),
])

messageDFRaw.select(from_json("CAST(value AS STRING)", struct))

但是，我在from_json() 中得到Expected type 'StructField', got 'StructType' instead

【参考方案1】：

我忽略了from_json() 中的警告Expected type 'StructField', got 'StructType' instead。

但是，我最初必须从 kafka 消息中转换值，然后再解析 json 模式。

messageDF = messageDFRaw.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")

messageParsedDF = messageDF.select(from_json("value", struct_schema).alias("message"))

messageFlattenedDF = messageParsedDF.selectExpr("value.channel", "value.username", "value.message")