使用Apache Spark读取Json文件

Question

我正在尝试使用Spark v2.0.0读取Json文件。 在简单数据的情况下，代码工作得很好。 在有点复杂的数据的情况下，当我打印df.show（）时，数据无法正确显示。

这是我的代码：

SparkSession session = SparkSession.builder().master("local").appName("jsonreader").getOrCreate();
Dataset<Row> list = session.read().json("/Users/hadoop/Desktop/sample.json");
list.show();

这是我的示例数据：

{
    "glossary": {
        "title": "example glossary",
        "GlossDiv": {
            "title": "S",
            "GlossList": {
                "GlossEntry": {
                    "ID": "SGML",
                    "SortAs": "SGML",
                    "GlossTerm": "Standard Generalized Markup Language",
                    "Acronym": "SGML",
                    "Abbrev": "ISO 8879:1986",
                    "GlossDef": {
                        "para": "A meta-markup language, used to create markup languages such as DocBook.",
                        "GlossSeeAlso": ["GML", "XML"]
                    },
                    "GlossSee": "markup"
                }
            }
        }
    }
}

和我的输出是这样的：

+--------------------+
|     _corrupt_record|
+--------------------+
|                   {|
|       "glossary": {|
|        "title": ...|
|           "GlossDiv": {|
|            "titl...|
|               "GlossList": {|
|                "...|
|                 ...|
|                   "SortAs": "S...|
|                   "GlossTerm":...|
|                   "Acronym": "...|
|                   "Abbrev": "I...|
|                   "GlossDef": {|
|                 ...|
|                       "GlossSeeAl...|
|                 ...|
|                   "GlossSee": ...|
|                   }|
|                   }|
|                   }|
+--------------------+
only showing top 20 rows

Answer 1

如果必须阅读此JSON，则需要将JSON格式化为一行。 这是多行JSON，因此无法正确读取和加载（一个对象一行）

引用JSON API：

加载JSON文件（每行一个对象），并将结果作为DataFrame返回。

{"glossary":{"title":"example glossary","GlossDiv":{"title":"S","GlossList":{"GlossEntry":{"ID":"SGML","SortAs":"SGML","GlossTerm":"Standard Generalized Markup Language","Acronym":"SGML","Abbrev":"ISO 8879:1986","GlossDef":{"para":"A meta-markup language, used to create markup languages such as DocBook.","GlossSeeAlso":["GML","XML"]},"GlossSee":"markup"}}}}}

我只是在shell上尝试过，它也应该以相同的方式在代码中工作（当我读取多行JSON时，我也遇到了相同的记录错误）

scala> val df = spark.read.json("C:/DevelopmentTools/data.json")
df: org.apache.spark.sql.DataFrame = [glossary: struct<GlossDiv: struct<GlossList: struct<GlossEntry: struct<Abbrev: string, Acronym: string ... 5 more fields>>, title: string>, title: string>]

scala>

编辑：

您可以使用任何操作从该数据框中获取值，例如

scala> df.select(df("glossary.GlossDiv.GlossList.GlossEntry.GlossTerm")).show()
+--------------------+
|           GlossTerm|
+--------------------+
|Standard Generali...|
+--------------------+


scala>

您也应该能够从代码中完成此操作

Answer 2

只需确保您的json位于一行中即可读取嵌套的json，因此，如果您已经成功加载了json，则会以错误的方式显示其嵌套的json，因此您无法直接显示它，就像您想要标题数据一样的GlossDiv，您可以显示如下

SparkSession session = SparkSession.builder().master("local").appName("jsonreader").getOrCreate();
Dataset<Row> list = session.read().json("/Users/hadoop/Desktop/sample.json");
list.select("glossary.GlossDiv.title") .show

Answer 3

尝试：

session.read().json(session.sparkContext.wholeTextFiles("..."));

Answer 4

该线程有点旧，我只想详细说明@ user6022341的建议。 我最终使用它是我的一个项目：

要处理多行json文件，如果文件是一个大的json对象，则WholeTextFiles（String path）转换是spark中的唯一解决方案。 此转换将整个文件内容作为字符串加载。 因此，如果在hdfs：// a-hdfs-path目录中，则有两个文件，即part-00000和part-00001。 调用sparkContext.wholeTextFiles（“ hdfs：// a-hdfs-path”）将导致Spark返回JavaPairRDD，该JavaPairRDD的键为文件名，值为文件的内容。 这可能不是最佳解决方案，并且可能会影响较大文件的性能。

但是，如果多行json文件将多个json对象分成多行，那么您可能可以使用hadoop.Configuration， 此处显示了一些示例代码。 我还没有自己测试过。

如果必须读取多行csv文件，则可以使用Spark 2.2执行此操作

 spark.read.csv(file, multiLine=True) 

https://issues.apache.org/jira/browse/SPARK-19610

https://issues.apache.org/jira/browse/SPARK-20980

希望这可以帮助其他人寻找类似的信息。

Answer 5

在Spark中使用Java读取JSON文件的另一种方式与上述类似：

SparkSession spark = SparkSession.builder().appName("ProcessJSONData")
                        .master("local").getOrCreate();

String path = "C:/XX/XX/myData.json";

// Encoders are created for Java bean class
Encoder<FruitJson> fruitEncoder = Encoders.bean(FruitJson.class);

Dataset<FruitJson> fruitDS = spark.read().json(path).as(fruitEncoder);

fruitDS.show();