scala - ¿Cómo consultar la columna de datos JSON usando Spark DataFrames?

apache-spark spark-dataframe

Question

Tengo una mesa Cassandra que por simplicidad se parece a:

key: text
jsonData: text
blobData: blob

Puedo crear un marco de datos básico para esto usando spark y el conector spark-cassandra usando:

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

Sin embargo, estoy luchando por expandir los datos JSON en su estructura subyacente. En última instancia, quiero poder filtrar en función de los atributos dentro de la cadena json y devolver los datos del blob. Algo así como jsonData.foo = "bar" y devuelve blobData. ¿Es esto posible actualmente?

Answer 1

La cadena JSON subyacente es

"{ /"column_name1/":/"value1/",/"column_name2/":/"value2/",/"column_name3/":/"value3/",/"column_name5/":/"value5/"}";

A continuación se muestra el script para filtrar el JSON y cargar los datos necesarios en Cassandra.

  sqlContext.read.json(rdd).select("column_name1 or fields name in Json", "column_name2","column_name2")
            .write.format("org.apache.spark.sql.cassandra")
            .options(Map("table" -> "Table_name", "keyspace" -> "Key_Space_name"))
            .mode(SaveMode.Append)
            .save()

Answer 2

La función from_json es exactamente lo que estás buscando. Su código se verá más o menos así:

val df = sqlContext.read
  .format("org.apache.spark.sql.cassandra")
  .options(Map("table" -> "mytable", "keyspace" -> "ks1"))
  .load()

//You can define whatever struct type that your json states
val schema = StructType(Seq(
  StructField("key", StringType, true), 
  StructField("value", DoubleType, true)
))

df.withColumn("jsonData", from_json(col("jsonData"), schema))

Answer 3

Yo uso lo siguiente

(disponible desde 2.2.0, y supongo que su columna de cadena json está en el índice de columna 0)

def parse(df: DataFrame, spark: SparkSession): DataFrame = {
    val stringDf = df.map((value: Row) => value.getString(0), Encoders.STRING)
    spark.read.json(stringDf)
}

Inferirá automáticamente el esquema en su JSON. Documentado aquí: https://spark.apache.org/docs/2.3.0/api/java/org/apache/spark/sql/DataFrameReader.html

Answer 4

Chispa> = 2.4

Si es necesario, el esquema se puede determinar utilizando la función schema_of_json (tenga en cuenta que esto supone que una fila arbitraria es un representante válido del esquema).

import org.apache.spark.sql.functions.{lit, schema_of_json}

val schema = schema_of_json(lit(df.select($"jsonData").as[String].first))
df.withColumn("jsonData", from_json($"jsonData", schema, Map[String, String]()))

Chispa> = 2.1

Puede usar la función from_json :

import org.apache.spark.sql.functions.from_json
import org.apache.spark.sql.types._

val schema = StructType(Seq(
  StructField("k", StringType, true), StructField("v", DoubleType, true)
))

df.withColumn("jsonData", from_json($"jsonData", schema))

Chispa> = 1.6

Puede usar get_json_object que toma una columna y una ruta:

import org.apache.spark.sql.functions.get_json_object

val exprs = Seq("k", "v").map(
  c => get_json_object($"jsonData", s"$$.$c").alias(c))

df.select($"*" +: exprs: _*)

y extrae campos a cadenas individuales que se pueden convertir a los tipos esperados.

El argumento de la path se expresa utilizando la sintaxis de puntos, con los principales $. denotando la raíz del documento (dado que el código anterior usa la interpolación de cadenas $ tiene que escaparse, por lo tanto $$. .

Chispa <= 1.5 :

¿Es esto posible actualmente?

Hasta donde yo sé, no es directamente posible. Puedes probar algo similar a esto:

val df = sc.parallelize(Seq(
  ("1", """{"k": "foo", "v": 1.0}""", "some_other_field_1"),
  ("2", """{"k": "bar", "v": 3.0}""", "some_other_field_2")
)).toDF("key", "jsonData", "blobData")

Supongo que el campo de blob no se puede representar en JSON. De lo contrario, puede omitir la división y la unión:

import org.apache.spark.sql.Row

val blobs = df.drop("jsonData").withColumnRenamed("key", "bkey")
val jsons = sqlContext.read.json(df.drop("blobData").map{
  case Row(key: String, json: String) =>
    s"""{"key": "$key", "jsonData": $json}"""
}) 

val parsed = jsons.join(blobs, $"key" === $"bkey").drop("bkey")
parsed.printSchema

// root
//  |-- jsonData: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: double (nullable = true)
//  |-- key: long (nullable = true)
//  |-- blobData: string (nullable = true)

Un enfoque alternativo (más barato, aunque más complejo) es usar un UDF para analizar JSON y generar una struct o columna de map . Por ejemplo algo como esto:

import net.liftweb.json.parse

case class KV(k: String, v: Int)

val parseJson = udf((s: String) => {
  implicit val formats = net.liftweb.json.DefaultFormats
  parse(s).extract[KV]
})

val parsed = df.withColumn("parsedJSON", parseJson($"jsonData"))
parsed.show

// +---+--------------------+------------------+----------+
// |key|            jsonData|          blobData|parsedJSON|
// +---+--------------------+------------------+----------+
// |  1|{"k": "foo", "v":...|some_other_field_1|   [foo,1]|
// |  2|{"k": "bar", "v":...|some_other_field_2|   [bar,3]|
// +---+--------------------+------------------+----------+

parsed.printSchema

// root
//  |-- key: string (nullable = true)
//  |-- jsonData: string (nullable = true)
//  |-- blobData: string (nullable = true)
//  |-- parsedJSON: struct (nullable = true)
//  |    |-- k: string (nullable = true)
//  |    |-- v: integer (nullable = false)