[英]Reading pretty print json files in Apache Spark
我的S3存储桶中有很多json文件,我希望能够读取它们并查询这些文件。 问题是它们印刷得很漂亮。 一个json文件只有一个庞大的字典,但它不在一行中。 根据这个线程,json文件中的字典应该在一行中,这是Apache Spark的限制。 我没有这样的结构。
我的JSON架构看起来像这样 -
{
"dataset": [
{
"key1": [
{
"range": "range1",
"value": 0.0
},
{
"range": "range2",
"value": 0.23
}
]
}, {..}, {..}
],
"last_refreshed_time": "2016/09/08 15:05:31"
}
这是我的问题 -
我可以避免转换这些文件以匹配Apache Spark所需的架构(文件中每行一个字典)并仍能读取它吗?
如果没有,在Python中最好的方法是什么? 我每天都有一堆这些文件。 存储桶按日分区。
有没有其他工具更适合查询Apache Spark以外的这些文件? 我在AWS堆栈上,所以可以尝试使用Zeppelin笔记本的任何其他建议工具。
你可以使用sc.wholeTextFiles()
这是一篇相关的帖子 。
或者,您可以使用简单的函数重新格式化json并加载生成的文件。
def reformat_json(input_path, output_path):
with open(input_path, 'r') as handle:
jarr = json.load(handle)
f = open(output_path, 'w')
for entry in jarr:
f.write(json.dumps(entry)+"\n")
f.close()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.