如何在Spark中将结构化数据映射到schemaRDD？

debugcn 发表于 Dev

肖恩

我之前问过这个问题的方式有所不同，但是有一些变化，所以我想作为一个新问题再次提出。我有一个结构化的数据，其中只有一部分是json格式，但我需要将整个数据映射到schemaRDD。数据如下所示：

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

每行以日期开头，后跟时间和json格式的文本。我不仅需要将json中的文本映射，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，但显然行不通，因为Row不接受RDD（在这种情况下为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运行如下查询：

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

如何将整行映射到schemaRDD？

任何帮助表示赞赏吗？

0x0FFF

最简单的选择是将此字段添加到JSON并使用jsonRDD

我的资料：

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，存在一个问题，您正在为每行调用jsonRDD，这是不正确的-它接受RDD并返回SchemaRDD。

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。