如何将 JSON 格式的单行 Spark 数据框分解为多行?
Posted
技术标签:
【中文标题】如何将 JSON 格式的单行 Spark 数据框分解为多行?【英文标题】:How to explode a one row Spark dataframe in JSON format to multiple rows? 【发布时间】:2022-01-06 17:33:34 【问题描述】:上下文:我正在学习 PySpark,我正在尝试对推文进行情绪分析。加载数据(即 JSON 格式)后,我想将其存储在 Spark Dataframe 中以进行预处理(删除不必要的符号/单词)。目前,我正在使用一个我想消除的中间步骤:我将 JSON 加载到 pandas DataFrame 中,然后加载到 spark Dataframe 中,一切正常。
但是,当将 JSON 直接加载到 PySpark DataFrame 时,所有数据仅存储在一行中。
我如何加载数据:
df = spark.read.json("dbfs:/FileStore/tables/json_twitter.json").select("full_text")
df仅由一行一列(full_text)构成,格式如下:
"0": "Hello", "1": "Tweet","2": "Bye"
我怎样才能有效地把它变成一个“正常”的数据框,每个单词都有一行?
谢谢
【问题讨论】:
【参考方案1】:如果fulltext
中的值是字符串,您可以先使用from_json
示例将其转换为映射类型
from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.withColumn("fulltext",F.from_json("fulltext",T.MapType(T.StringType(),T.StringType())))
在应用explode
函数将值拆分为多行之前,例如:
from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.select(F.explode("fulltext"))
df.show(truncate=False)
+---+-----+
|key|value|
+---+-----+
|0 |Hello|
|1 |Tweet|
|2 |Bye |
+---+-----+
编辑 1
如果fulltext
里面的值是一个结构体,你可以先
-
使用
cast
将其转换为字符串
使用regexp_replace
替换多余的字符大括号
使用split
以逗号分隔字符串
使用explode
分解拆分值以获得所需的行
例如
from pyspark.sql import functions as F
from pyspark.sql import types as T
df = df.withColumn("fulltext",F.col("fulltext").cast("string"))
df.printSchema() # only for debugging purposes
df.show() # only for debugging purposes
df = df.withColumn("fulltext",F.explode(F.split(F.regexp_replace("fulltext","\\|\\",""),",")))
df.show() # only for debugging purposes
root
|-- fulltext: string (nullable = false)
+-------------------+
| fulltext|
+-------------------+
|Hello, Tweet, Bye|
+-------------------+
+--------+
|fulltext|
+--------+
| Hello|
| Tweet|
| Bye|
+--------+
【讨论】:
不是字符串。它采用上述格式,采用 JSON 格式。运行第一个命令时,我收到以下错误:“AnalysisException:由于数据类型不匹配,无法解析‘条目’:参数 1 需要字符串类型,但是,‘full_text
’属于结构类型。;‘项目 [ from_json(MapType(StringType,StringType,true), full_text#356, Some(Etc/UTC)) AS full_text#417] +- 项目 [full_text#356]"。有什么解决方法吗?我可以将其类型更改为字符串吗?
是的,您可以在运行上述df = df.withColumn("fulltext", F.col("fulltext").cast("string"))
之前将日期类型更改为字符串
我试过这样做,但是当我运行 df = df.withColumn("fulltext",F.from_json("fulltext",T.MapType(T.StringType(),T.StringType())))
时,我得到一个只有一个空值的 Dataframe
@FHSilva 我已经用另一种方法更新了答案。我最初并不知道 fulltext
在您的场景中是一个结构。在我的环境中,它被复制为 map
类型。让我知道这是否适合您。
原来如此,谢谢!以上是关于如何将 JSON 格式的单行 Spark 数据框分解为多行?的主要内容,如果未能解决你的问题,请参考以下文章
使用 Spark 规划 JSON 的 DynamoDB 数据格式