web-dev-qa-db-ja.com

Spark DataFramesを使用してJSONデータ列を照会する方法は？

Cassandraテーブルがあり、簡単にするために次のようにします。

key: text
jsonData: text
blobData: blob

sparkとspark-cassandra-connectorを使用して、このための基本的なデータフレームを作成できます。

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

JSONデータをその基礎となる構造に拡張するのに苦労しています。最終的には、json文字列内の属性に基づいてフィルタリングし、blobデータを返すことができるようにしたいと考えています。 jsonData.foo = "bar"のようなもので、blobDataを返します。これは現在可能ですか？

scalaapache-sparkdataframeapache-spark-sqlspark-cassandra-connector
34
JDesuv

Spark> = 2.4

必要に応じて、スキーマは schema_of_json 関数を使用して決定できます（任意の行がスキーマの有効な代表であると想定していることに注意してください）。

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]()))

Spark> = 2.1

from_json 関数を使用できます：

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))

Spark> = 1.6

列とパスを取るget_json_objectを使用できます。

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: _*)

フィールドを個々の文字列に抽出し、さらに期待される型にキャストできます。

path引数はドット構文を使用して表され、先頭の$.はドキュメントルートを示します（上記のコードは文字列補間を使用するため$はエスケープする必要があるため、$$.）。

スパーク<= 1.5：

現在これは可能ですか？

私が知る限り、それは直接可能ではありません。これに似たものを試すことができます：

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")

blobフィールドはJSONで表現できないと想定しています。それ以外の場合は、分割と結合を省略できます。

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)

別の（より複雑ですが、より安価な）アプローチは、UDFを使用してJSONを解析し、structまたはmap列を出力することです。たとえば、次のようなものです：

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)
60
zero323

from_json関数はまさにあなたが探しているものです。コードは次のようになります。

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))
2
Sohum Sachdev

基になるJSON文字列は

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

以下は、JSONをフィルタリングし、必要なデータをCassandraにロードするスクリプトです。

  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()
1
Suresh Chaganti

私は次を使用します

（2.2.0以降で使用可能です。json文字列列は列インデックス0にあると仮定しています）

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

JSONのスキーマを自動的に推測します。ここに文書化されています： https://spark.Apache.org/docs/2.3.0/api/Java/org/Apache/spark/sql/DataFrameReader.html

0
Falco Winkler