AWS Athena 将结构数组导出到 JSON

Posted 2023-02-16

【中文标题】AWS Athena 将结构数组导出到 JSON

【英文标题】：AWS Athena export array of structs to JSON

【发布时间】：2018-08-24 19:01:39

【问题描述】：

我有一个 Athena 表，其中一些字段具有相当复杂的嵌套格式。 S3 中的支持记录是 JSON。沿着这些思路（但我们还有更多的嵌套级别）：

CREATE EXTERNAL TABLE IF NOT EXISTS test (
  timestamp double,
  stats array<struct<time:double, mean:double, var:double>>,
  dets array<struct<coords: array<double>, header:struct<frame:int, 
    seq:int, name:string>>>,
  pos struct<x:double, y:double, theta:double>
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES ('ignore.malformed.json'='true')
LOCATION 's3://test-bucket/test-folder/'

现在我们需要能够查询数据并将结果导入 Python 进行分析。由于安全限制，我无法直接连接到 Athena；我需要能够向某人提供查询，然后他们会给我 CSV 结果。

如果我们只是直接选择 *，我们会以不完全 JSON 的格式返回结构/数组列。 这是一个示例输入文件条目：

"timestamp":1520640777.666096,"stats":["time":15,"mean":45.23,"var":0.31,"time":19,"mean":17.315,"var":2.612],"dets":["coords":[2.4,1.7,0.3], "header":"frame":1,"seq":1,"name":"hello"],"pos": "x":5,"y":1.4,"theta":0.04

示例输出：

select * from test

"timestamp","stats","dets","pos"
"1.520640777666096E9","[time=15.0, mean=45.23, var=0.31, time=19.0, mean=17.315, var=2.612]","[coords=[2.4, 1.7, 0.3], header=frame=1, seq=1, name=hello]","x=5.0, y=1.4, theta=0.04"

我希望以更方便的格式导出这些嵌套字段 - 以 JSON 格式导出它们会很棒。

不幸的是，转换为 JSON 似乎只适用于地图，而不适用于结构，因为它只是将所有内容扁平化为数组：

SELECT timestamp, cast(stats as JSON) as stats, cast(dets as JSON) as dets, cast(pos as JSON) as pos FROM "sampledb"."test"

"timestamp","stats","dets","pos"
"1.520640777666096E9","[[15.0,45.23,0.31],[19.0,17.315,2.612]]","[[[2.4,1.7,0.3],[1,1,""hello""]]]","[5.0,1.4,0.04]"

有没有一种好方法可以转换为 JSON（或其他易于导入的格式），还是我应该继续执行自定义解析功能？

【参考方案1】：

我浏览了所有文档，不幸的是，到目前为止似乎还没有办法做到这一点。唯一可能的解决方法是

converting a struct to a json when querying athena

SELECT
  my_field,
  my_field.a,
  my_field.b,
  my_field.c.d,
  my_field.c.e
FROM 
  my_table

或者我会使用后处理将数据转换为 json。下面的脚本显示了如何

#!/usr/bin/env python
import io
import re

pattern1 = re.compile(r'(?<=)([a-z]+)=', re.I)
pattern2 = re.compile(r':([a-z][^,. [\]]+)', re.I)
pattern3 = re.compile(r'\\"', re.I)

with io.open("test.csv") as f:
    headers = list(map(lambda f: f.strip(), f.readline().split(",")))
    for line in f.readlines():
        orig_line = line
        data = []
        for i, l in enumerate(line.split('","')):
            data.append(headers[i] + ":" + re.sub('^"|"$', "", l))

        line = "" + ','.join(data) + ""
        line = pattern1.sub(r'"\1":', line)
        line = pattern2.sub(r':"\1"', line)
        print(line)

输入数据的输出是

"timestamp":1.520640777666096E9,"stats":["time":15.0, "mean":45.23, "var":0.31, "time":19.0, "mean":17.315, "var":2.612],"dets":["coords":[2.4, 1.7, 0.3], "header":"frame":1, "seq":1, "name":"hello"],"pos":"x":5.0, "y":1.4, "theta":0.04

这是一个有效的 JSON

【讨论】：

这在大多数情况下都能完美运行。我遇到的一个特殊情况是包含“=”的值。 e.b [id=dsdgfdgdfb=cdf=] 。有什么建议吗？

@SameerGirolkar，通过修复更新了代码。模式 1 需要正面看待

谢谢@Tarun Lalwani！这有帮助。

【参考方案2】：

@tarun 的 python 代码几乎让我到达那里，但由于我的数据，我不得不以多种方式对其进行修改。特别是，我有：

在 Athena 中保存为字符串的 json 结构 包含多个单词的字符串，因此需要在双引号之间。其中一些包含“[]”和“”符号。

这是对我有用的代码，希望对其他人有用：

#!/usr/bin/env python
import io
import re, sys

pattern1 = re.compile(r'(?<=)([a-z]+)=', re.I)
pattern2 = re.compile(r':([a-z][^,. [\]]+)', re.I)
pattern3 = re.compile(r'\\"', re.I)

with io.open(sys.argv[1]) as f:
    headers = list(map(lambda f: f.strip(), f.readline().split(",")))
    print(headers)
    for line in f.readlines():

        orig_line = line
        #save the double quote cases, which mean there is a string with quotes inside
        line = re.sub('""', "#", orig_line)
        data = []
        for i, l in enumerate(line.split('","')):
            item = re.sub('^"|"$', "", l.rstrip())
            if (item[0] == "" and item[-1] == "") or (item[0] == "[" and item[-1] == "]"):
                data.append(headers[i] + ":" + item)
            else: #we have a string
                data.append(headers[i] + ": \"" + item + "\"")

        line = "" + ','.join(data) + ""
        line = pattern1.sub(r'"\1":', line)
        line = pattern2.sub(r':"\1"', line)

        #restate the double quotes to single ones, once inside the json
        line = re.sub("#", '"', line)

        print(line)

【参考方案3】：

此方法不是通过修改Query。

它的后处理对于 javascript/Nodejs 我们可以使用 npm 包 athena-struct-parser。

带示例的详细答案

https://***.com/a/67899845/6662952

参考 - https://www.npmjs.com/package/athena-struct-parser

【参考方案4】：

我使用了一种简单的方法来绕过 struct -> json Athena 限制。我创建了第二个表，其中 json 列保存为原始字符串。使用 presto json 和数组函数，我能够查询数据并将有效的 json 字符串返回到我的程序：

--Array transform functions too
select 
  json_extract_scalar(dd, '$.timestamp') as timestamp,
  transform(cast(json_extract(json_parse(dd), '$.stats') as ARRAY<JSON>), x -> json_extract_scalar(x, '$.time')) as arr_stats_time,
  transform(cast(json_extract(json_parse(dd), '$.stats') as ARRAY<JSON>), x -> json_extract_scalar(x, '$.mean')) as arr_stats_mean,
  transform(cast(json_extract(json_parse(dd), '$.stats') as ARRAY<JSON>), x -> json_extract_scalar(x, '$.var')) as arr_stats_var
from 
(select '"timestamp":1520640777.666096,"stats":["time":15,"mean":45.23,"var":0.31,"time":19,"mean":17.315,"var":2.612],"dets":["coords":[2.4,1.7,0.3], "header":"frame":1,"seq":1,"name":"hello"],"pos": "x":5,"y":1.4,"theta":0.04' as dd);

我知道查询需要更长的时间来执行，但有一些方法可以优化。