java - 在 Apache Spark 中解析 JSON 时出现奇怪的错误

Question

尝试解析 JSON 文档，Spark 给出错误:

Exception in thread "main" org.apache.spark.sql.AnalysisException: Since Spark 2.3, the queries from raw JSON/CSV files are disallowed when the
referenced columns only include the internal corrupt record column
   (named _corrupt_record by default). For example:
spark.read.schema(schema).json(file).filter($"_corrupt_record".isNotNull).count()
and spark.read.schema(schema).json(file).select("_corrupt_record").show().
Instead, you can cache or save the parsed results and then send the same query.
For example, val df = spark.read.schema(schema).json(file).cache() and then
df.filter($"_corrupt_record".isNotNull).count().;
at org.apache.spark.sql.execution.datasources.json.JsonFileFormat.buildReader(JsonFileFormat.scala:120)
...
at org.apache.spark.sql.execution.SQLExecution$.withNewExecutionId(SQLExecution.scala:73)
at org.apache.spark.sql.Dataset.withAction(Dataset.scala:3364)
at org.apache.spark.sql.Dataset.head(Dataset.scala:2545)
at org.apache.spark.sql.Dataset.take(Dataset.scala:2759)
at org.apache.spark.sql.Dataset.getRows(Dataset.scala:255)
at org.apache.spark.sql.Dataset.showString(Dataset.scala:292)
at org.apache.spark.sql.Dataset.show(Dataset.scala:746)
at org.apache.spark.sql.Dataset.show(Dataset.scala:705)
at xxx.MyClass.xxx(MyClass.java:25)

我已经尝试在多个在线编辑器中打开 JSON 文档，它是有效的。

这是我的代码:

Dataset<Row> df = spark.read()
    .format("json")
    .load("file.json");

df.show(3); // this is line 25

我正在使用 Java 8 和 Spark 2.4。

Answer 1

_corrupt_record 列是 Spark 在尝试提取格式错误的记录时存储这些记录的位置。这可能是一个暗示。

Spark 还处理两种类型的 JSON 文档，JSON Lines 和普通 JSON(在早期版本中 Spark 只能处理 JSON Lines)。您可以在这个Manning article中找到更多信息.

您可以尝试多行选项，如下所示:

Dataset<Row> df = spark.read()
    .format("json")
    .option("multiline", true)
    .load("file.json");

看看是否有帮助。如果没有，请分享您的 JSON 文档(如果可以的话)。