如何在Spark中将结构化数据映射到schemaRDD

Question

我以前问过这个问题，但有一些变化，所以我想把它作为一个新问题再问一次。我有一个结构化数据，其中只有一部分是json格式的，但我需要将整个数据映射到schemaRDD。数据如下：

03052015 04:13:20｛"recordType"："NEW"，"data"：｛"keycol"："val1"，"col2"："val2"，"col3"："val3"｝

每一行都以日期、时间和json格式的文本开头。我不仅需要将json中的文本，还需要将日期和时间映射到相同的结构中。

我在Python中尝试过，但很明显它不起作用，因为Row不接受RDD（本例中为jsonRDD）。

    from pyspark.sql import SQLContext, Row
    sqlContext = SQLContext(sc)
    orderFile  = sc.textFile(myfile)
    orderLine  = orderFile.map(lambda line: line.split(" ", 2))
    anotherOrderLine = orderLine.map(lambda p: Row(date=p[0], time=p[1], content=sqlContext.jsonRDD(p[3])))
    schemaOrder = sqlContext.inferSchema(anotherOrderLine)
    schemaOrder.printSchema()
    for x in schemaOrder.collect():
        print x

目标是能够针对schemaRDD:运行这样的查询

select date, time, data.keycol, data.val1, data.val2, data.val3 from myOrder

如何将整行映射到schemaRDD？

有什么需要帮忙的吗？

Answer 1

最简单的选择是将此字段添加到JSON并使用jsonRDD

我的数据：

03052015 04:13:20 {"recordType":"NEW","data":{"keycol":"val1","col1":"val5","col2":"val3"}}
03062015 04:13:20 {"recordType":"NEW1","data":{"keycol":"val2","col1":"val6","col2":"val3"}}
03072015 04:13:20 {"recordType":"NEW2","data":{"keycol":"val3","col1":"val7","col2":"val3"}}
03082015 04:13:20 {"recordType":"NEW3","data":{"keycol":"val4","col1":"val8","col2":"val3"}}

代码：

import json
def transform(data):
    ts  = data[:18].strip()
    jss = data[18:].strip()
    jsj = json.loads(jss)
    jsj['ts'] = ts
    return json.dumps(jsj)
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
rdd = sc.textFile('/sparkdemo/sample.data')
tbl = sqlContext.jsonRDD(rdd.map(transform))
tbl.registerTempTable("myOrder")
sqlContext.sql("select ts, recordType, data.keycol, data.col1, data.col2 data from myOrder").collect()

结果：

[Row(ts=u'03052015 04:13:20', recordType=u'NEW', keycol=u'val1', col1=u'val5', data=u'val3'), Row(ts=u'03062015 04:13:20', recordType=u'NEW1', keycol=u'val2', col1=u'val6', data=u'val3'), Row(ts=u'03072015 04:13:20', recordType=u'NEW2', keycol=u'val3', col1=u'val7', data=u'val3'), Row(ts=u'03082015 04:13:20', recordType=u'NEW3', keycol=u'val4', col1=u'val8', data=u'val3')]

在您的代码中，存在为每一行调用jsonRDD的问题，这是不正确的——它接受RDD并返回SchemaRDD。

Answer 2

sqlContext.jsonRDD从包含字符串的rdd创建一个模式rdd，其中每个字符串都包含一个JSON表示。此代码示例来自SparkSQL文档(https://spark.apache.org/docs/1.2.0/sql-programming-guide.html)：

val anotherPeopleRDD = sc.parallelize("""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)
val anotherPeople = sqlContext.jsonRDD(anotherPeopleRDD)

jsonRDD的一个很酷的地方是，您可以提供一个额外的参数来说明JSON的模式，这将提高性能。这可以通过创建schemaRDD（只需加载一个示例文档），然后调用schemaRDD.schema方法来获取模式来实现。