PySpark，通过JSON文件导入模式

Question

tbschema.json是这样的:

[{"TICKET":"integer","TRANFERRED":"string","ACCOUNT":"STRING"}]

我用下面的代码加载

>>> df2 = sqlContext.jsonFile("tbschema.json")
>>> f2.schema
StructType(List(StructField(ACCOUNT,StringType,true),
    StructField(TICKET,StringType,true),StructField(TRANFERRED,StringType,true)))
>>> df2.printSchema()
root
 |-- ACCOUNT: string (nullable = true)
 |-- TICKET: string (nullable = true)
 |-- TRANFERRED: string (nullable = true)

1. 为什么模式元素得到排序，当我希望元素在相同的顺序，因为他们出现在JSON。

2. 数据类型整数已转换为StringType JSON已派生后，我如何保留数据类型

Answer 1

为什么模式元素得到排序，当我希望元素以相同的顺序出现在json.

因为字段的顺序不能保证。虽然没有明确说明，但当您查看JSON阅读器doctstring中提供的示例时，就会发现这一点。如果您需要特定的排序，您可以手动提供模式:

from pyspark.sql.types import StructType, StructField, StringType
schema = StructType([
    StructField("TICKET", StringType(), True),
    StructField("TRANFERRED", StringType(), True),
    StructField("ACCOUNT", StringType(), True),
])
df2 = sqlContext.read.json("tbschema.json", schema)
df2.printSchema()
root
 |-- TICKET: string (nullable = true)
 |-- TRANFERRED: string (nullable = true)
 |-- ACCOUNT: string (nullable = true)

导出json后，数据类型integer已转换为StringType，如何保留数据类型

JSON字段TICKET的数据类型是字符串，因此JSON阅读器返回字符串。它是JSON阅读器，而不是某种模式阅读器。

一般来说，你应该考虑一些合适的格式，schema支持开箱即用，例如Parquet, Avro或Protocol Buffers。但如果你真的想玩JSON，你可以定义穷人的"模式"解析器，像这样:

from collections import OrderedDict 
import json
with open("./tbschema.json") as fr:
    ds = fr.read()
items = (json
  .JSONDecoder(object_pairs_hook=OrderedDict)
  .decode(ds)[0].items())
mapping = {"string": StringType, "integer": IntegerType, ...}
schema = StructType([
    StructField(k, mapping.get(v.lower())(), True) for (k, v) in items])

JSON的问题是，无论如何都不能保证字段的顺序，更不用说处理丢失的字段、不一致的类型等等。因此，使用上述解决方案实际上取决于您对数据的信任程度。

或者，您可以使用内置的模式导入/导出实用程序。