将流式 JSON 转换为 DataFrame

Question

问题：如何将 JSON 字符串转换为 DataFrame 并仅选择我想要的键？

我上周刚刚开始使用 Spark，我仍在学习中，所以请耐心等待。

我正在使用 Spark(2.4) 结构化流。Spark 应用程序从 Twitter 流中获取数据（通过套接字），发送的数据是完整的 Twitter JSON 字符串。下面是其中一个数据帧。每一行都是完整的 JSON 推文。

+--------------------+
|               value|
+--------------------+
|{"created_at":"Tu...|
|{"created_at":"Tu...|
|{"created_at":"Tu...|
+--------------------+

正如 Venkata 所建议的，我这样做了，翻译成 python（完整代码如下）

schema = StructType().add('created_at', StringType(), False).add('id_str', StringType(), False)
df = lines.selectExpr('CAST(value AS STRING)').select(from_json('value', schema).alias('temp')).select('temp.*')

这是返回值

+------------------------------+-------------------+
|created_at                    |id_str             |
+------------------------------+-------------------+
|Wed Feb 20 04:51:18 +0000 2019|1098082646511443968|
|Wed Feb 20 04:51:18 +0000 2019|1098082646285082630|
|Wed Feb 20 04:51:18 +0000 2019|1098082646444441600|
|Wed Feb 20 04:51:18 +0000 2019|1098082646557642752|
|Wed Feb 20 04:51:18 +0000 2019|1098082646494797824|
|Wed Feb 20 04:51:19 +0000 2019|1098082646817681408|
+------------------------------+-------------------+

可以看到，DataFrame 中只包含了我想要的 2 个键。

希望这对任何新手都有帮助。

完整代码

from pyspark.sql import SparkSession
from pyspark.sql.functions import from_json
from pyspark.sql.types import StructType, StringType


spark = SparkSession.builder.appName("StructuredNetworkWordCount").getOrCreate()
sc = spark.sparkContext

lines = spark.readStream.format('socket').option('host', '127.0.0.1').option('port', 9999).load()

schema = StructType().add('created_at', StringType(), False).add('id_str', StringType(), False)
df = lines.selectExpr('CAST(value AS STRING)').select(from_json('value', schema).alias('temp')).select('temp.*')

query = df.writeStream.format('console').option('truncate', 'False').start()

# this part is only used to print out the query when running as an app. Not needed if using jupyter
import time
time.sleep(10)
lines.stop()

Answer 1

下面是一个示例代码片段，您可以使用它从 json 转换为 DataFrame。

val schema = new StructType().add("id", StringType).add("pin",StringType)

val dataFrame= data.
selectExpr("CAST(value AS STRING)").as[String].
select(from_json($"value",schema).
alias("tmp")).
select("tmp.*")