Spark 从数据帧列解析 json，并返回包含列的 RDD

Question

我有一个sparkScala RDD，看起来像这样：

df.printSchema()
 |-- stock._id: string (nullable = true)
 |-- stock.value: string (nullable = true)

RDD的第二列是嵌套JSON：

[ { ""warehouse"" : ""Type1"" , ""amount"" : ""0.0"" }, { ""warehouse"" : ""Type1"" , ""amount"" : ""25.0"" }]

我需要生成一个RDD，其中包含现有的两列以及JSON中的列，如下所示：

_id, value , warehouse , amount

我尝试使用自定义函数来做到这一点，但我正在努力将此功能应用于我的RDD并获得所需的结果

import org.json4s.jackson.JsonMethods._

import org.json4s._

 def extractWarehouses (value: String)  {
    val json = parse(value)
    for {
      JObject(warehouses) <- json
      JField("warehouse", JString(warehouse)) <- warehouses
      JField("amount", JDouble(amount)) <- warehouses
    } yield (warehouse, amount)
  }

Answer 1

正如您所说value是一个包含 json 对象列表的 json 数组，您需要将其分解并获取单个属性作为列，如下所示：

import org.apache.spark.sql.functions
val flattenedDF = df.select(functions.column("_id"), functions.explode(df("value")).as("value"))
val result = flattenedDF.select("_id", "value.warehouse", "value.amount")
result.printSchema()