使用poseexplode分解带有索引的嵌套JSON

Posted 2023-04-15

【中文标题】使用poseexplode分解带有索引的嵌套JSON

【英文标题】：Explode nested JSON with Index using posexplode

【发布时间】：2020-07-05 03:06:32

【问题描述】：

我正在使用下面的函数来分解深度嵌套的 JSON（具有嵌套的结构和数组）。

# Flatten nested df  
def flatten_df(nested_df): 
        
    for col in nested_df.columns:
        array_cols = [c[0] for c in nested_df.dtypes if c[1][:5] == 'array']
    for col in array_cols:
        nested_df =nested_df.withColumn(col, F.explode_outer(nested_df[col]))

    nested_cols = [c[0] for c in nested_df.dtypes if c[1][:6] == 'struct']
    
    if len(nested_cols) == 0:
        return nested_df

    flat_cols = [c[0] for c in nested_df.dtypes if c[1][:6] != 'struct']

    flat_df = nested_df.select(flat_cols +
                            [F.col(nc+'.'+c).alias(nc+'_'+c)
                                for nc in nested_cols
                                for c in nested_df.select(nc+'.*').columns])

    return flatten_df(flat_df)

我成功地爆炸了。但我还想在展开的数据框中添加元素的顺序或索引。所以在上面的代码中，我将explode_outer 函数替换为posexplode_outer。但我收到以下错误

An error was encountered:
'The number of aliases supplied in the AS clause does not match the number of columns output by the UDTF expected 2 aliases'

我尝试将nested_df.withColumn 更改为nested_df.select，但没有成功。谁能帮我分解嵌套的 json，但同时保持数组元素的顺序作为分解数据框中的一列。

【问题讨论】：

@请添加示例输入数据

【参考方案1】：

将 json 数据作为数据框读取并创建视图或表。在 spark SQL 中，您可以使用别名引用的多个 laterviewexplode 方法。如果是 struct 类型的 json 数据结构，可以使用点来表示结构。 Level1.level2

【参考方案2】：

将nested_df =nested_df.withColumn(col, F.explode_outer(nested_df[col])) 替换为 nested_df = df.selectExpr("*", f"posexplode(col) as (position,col)").drop(col)

您可能需要编写一些逻辑来将列名替换为原始名称，但这应该很简单

【参考方案3】：

这个错误是因为posexplode_outer返回两列pos和col，所以不能和Column()一起使用。这可以在 select 中使用，如下面的代码所示

from pyspark.sql import functions as F
from pyspark.sql.window import Window
tst= sqlContext.createDataFrame([(1,7,80),(1,8,40),(1,5,100),(5,8,90),(7,6,50),(0,3,60)],schema=['col1','col2','col3'])
tst_new = tst.withColumn("arr",F.array(tst.columns))
expr = tst.columns
expr.append(F.posexplode_outer('arr'))
#%%
tst_explode = tst_new.select(*expr)

结果：

tst_explode.show()
+----+----+----+---+---+
|col1|col2|col3|pos|col|
+----+----+----+---+---+
|   1|   7|  80|  0|  1|
|   1|   7|  80|  1|  7|
|   1|   7|  80|  2| 80|
|   1|   8|  40|  0|  1|
|   1|   8|  40|  1|  8|
|   1|   8|  40|  2| 40|
|   1|   5| 100|  0|  1|
|   1|   5| 100|  1|  5|
|   1|   5| 100|  2|100|
|   5|   8|  90|  0|  5|
|   5|   8|  90|  1|  8|
|   5|   8|  90|  2| 90|
|   7|   6|  50|  0|  7|
|   7|   6|  50|  1|  6|
|   7|   6|  50|  2| 50|
|   0|   3|  60|  0|  0|
|   0|   3|  60|  1|  3|
|   0|   3|  60|  2| 60|
+----+----+----+---+---+

如果需要重命名列，可以使用 .withColumnRenamed() 函数

df_final=(tst_explode.withColumnRenamed('pos','position')).withColumnRenamed('col','column')

【参考方案4】：

您可以尝试 select 和 list-comprehension 来对现有代码中的 ArrayType 列进行分解：

for col in array_cols:
  nested_df = nested_df.select([ F.posexplode_outer(col).alias(col+'_pos', col) if c == col else c for c in nested_df.columns ])

例子：

from pyspark.sql import functions as F

df = spark.createDataFrame([(1,"n1", ["a", "b", "c"]),(2,"n2", ["foo", "bar"])],["id", "name", "vals"])
#+---+----+----------+
#| id|name|      vals|
#+---+----+----------+
#|  1|  n1| [a, b, c]|
#|  2|  n2|[foo, bar]|
#+---+----+----------+
      
col = "vals" 
    
df.select([F.posexplode_outer(col).alias(col+'_pos', col) if c == col else c for c in df.columns]).show()
#+---+----+--------+----+
#| id|name|vals_pos|vals|
#+---+----+--------+----+ 
#|  1|  n1|       0|   a|
#|  1|  n1|       1|   b| 
#|  1|  n1|       2|   c| 
#|  2|  n2|       0| foo|
#|  2|  n2|       1| bar| 
#+---+----+--------+----+