如何使用 spark/scala 将 json 字符串格式化为 MongoDB 文档样式？

Posted 2023-02-18

【中文标题】如何使用 spark/scala 将 json 字符串格式化为 MongoDB 文档样式？

【英文标题】：How to format json string as MongoDB document style using spark/scala?

【发布时间】：2021-07-10 02:35:42

【问题描述】：

我有一个包含两列 id、json_string 的表，需要将 json_string 转换为 MongoDB 文档格式。我正在将数据从 Spark/Scala 发送到 MongoDB。

我尝试使用 withColumn，但仍然没有得到所需的格式。这是我到目前为止所拥有的，因此非常感谢任何帮助。

原始json字符串样本（df）

val df=spark.sql("select id, json_string from mytable")

"id":"0001","json_string":"\"header\": \"column1\":\"value1\",\"column2\":\"value2\",\"tail\": [\"column3\":\"value3\",\"column4\":\"value4\",\"column5\":\"value5\"]"

使用 withColumn (df2) 我得到这个：

val df2=df.withColumn("json_string",from_json(col("json_string"),MapType(StringType,StringType)))

"id":"0001","json_string":"header":"\"column1\":\"value1\",\"column2\":\"value2\"","tail":"[\"column3\":\"value3\",\"column4\":\"value4\",\"column5\":\"value5\"]"

所需格式：

"id":"$id":"0001","header":"column1":"value1","column2":"value2","tail":["column3":"value3","column4":"value4","column5":"value5"]

Desired format picture sample

【参考方案1】：

您可以动态获取它并将其与from_json 一起使用，而不是手动定义架构

val json_schema = spark.read.json(df.select("json_string").as[String]).schema
val df2 = df.withColumn("json_string", from_json(col("json_string"), json_schema))
  .select("id", "json_string.*")

结果：

+----+----------------+--------------------------+
|id  |header          |tail                      |
+----+----------------+--------------------------+
|0001|value1, value2|[value3, value4, value5]|
+----+----------------+--------------------------+

架构：

root
 |-- id: string (nullable = true)
 |-- header: struct (nullable = true)
 |    |-- column1: string (nullable = true)
 |    |-- column2: string (nullable = true)
 |-- tail: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- column3: string (nullable = true)
 |    |    |-- column4: string (nullable = true)
 |    |    |-- column5: string (nullable = true)

【讨论】：

太棒了！有效！我为此苦苦挣扎，尝试了许多方法而没有成功。谢谢，非常感谢。