json - Spark 将 StructType/JSON 转换为字符串

Question

我有一个换行符分隔的 json 文件，看起来像

{"id":1,"nested_col": {"key1": "val1", "key2": "val2", "key3": ["arr1", "arr2"]}}
{"id":2,"nested_col": {"key1": "val1_2", "key2": "val2_2", "key3": ["arr1_2", "arr2"]}}

一旦我使用 df = spark.read.json(path_to_file) 读取文件，我最终得到一个数据框，其架构如下所示:

DataFrame[id: bigint,nested_col:struct<key1:string,key2:string,key3:array<string>>]

我想做的是投 nested_col查看它是一个没有设置的字符串 primitivesAsString为 true(因为我实际上有 100 多个列并且需要推断所有其他列的类型)。我也不知道是什么 nested_col看起来像以前。换句话说，我想要我的 DataFrame看起来像

DataFrame[id: bigint,nested_col:string]

我试着做

df.select(df['nested_col'].cast('string')).take(1)`

但它不会返回 JSON 的正确字符串表示形式:

[Row(nested_col=u'[0,2000000004,2800000004,3000000014,316c6176,326c6176,c00000002,3172726100000010,32727261]')]`

而我希望:

[Row(nested_col=u'{"key1": "val1", "key2": "val2", "key3": ["arr1", "arr2"]}')]

有谁知道我如何获得所需的结果(也就是将嵌套的 JSON 字段/ StructType 转换为字符串)？

Answer 1

老实说，解析 JSON 并推断模式只是为了将所有内容推回 JSON 听起来有点奇怪，但您在这里:

所需的进口:

from pyspark.sql import types
from pyspark.sql.functions import to_json, concat_ws, concat, struct

一个辅助函数:

def jsonify(df):
    def convert(f):
        if isinstance(f.dataType, types.StructType):
            return to_json(f.name).alias(f.name)
        if isinstance(f.dataType, types.ArrayType):
            return get_json_object(
                to_json(struct(f.name)), 
                "$.{0}".format(f.name)
            ).alias(f.name)
        return f.name

    return df.select([convert(f) for f in df.schema.fields])

用法示例:

df = sc.parallelize([("a", 1, (2, 3), ["1", "2", "3"])]).toDF()

jsonify(df).show()

+---+---+---------------+-------------+
| _1| _2|             _3|           _4|
+---+---+---------------+-------------+
|  a|  1|{"_1":2,"_2":3}|["1","2","3"]|
+---+---+---------------+-------------+