由于 False 作为条目，pyspark 中 json 文件的记录已损坏

Question

我有一个 json 文件，如下所示：

test= {'kpiData': [{'date': '2020-06-03 10:05',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:10',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:15',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:20',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,}
]}

我想将其传输到数据框对象，如下所示：

rdd = sc.parallelize([test])
jsonDF = spark.read.json(rdd)

这会导致记录损坏。据我了解，其原因是，True和False不能是 Python 中的条目。所以我需要在之前将这些条目转换spark.read.json()为 TRUE、true 或“True”）。test 是一个字典，rdd 是一个 pyspark.rdd.RDD 对象。对于数据帧对象，转换非常简单，但我没有找到这些对象的解决方案。

Answer 1

spark.read.json需要 JSON 字符串的 RDD，而不是 Python 字典的 RDD。如果将字典转换为 JSON 字符串，您应该能够将其读入数据帧：

import json

df = spark.read.json(sc.parallelize([json.dumps(test)]))

另一种可能的方法是使用以下命令读取字典spark.createDataFrame：

df = spark.createDataFrame([test])

这将使用映射而不是结构提供不同的模式。