【Spark】使用DataFrame读取复杂JSON中的嵌套数组

本博客文章如无特别说明，均为原创！转载请注明出处：Big data enthusiast(http://www.lubinsu.com/)

本文链接地址:【Spark】使用DataFrame读取复杂JSON中的嵌套数组(http://www.lubinsu.com/index.php/archives/493)

众所周知，在早期Spark版本中就已经支持读取Json格式的数据文件，并能够直接转换为数据库表，以方便我们进行处理数据，在本篇文章中我们将介绍如何通过Spark API很简单地读取Json数据，并进一步讲解，读取复杂Json中的嵌套数组。

本次使用的各个组件版本设定如下：

Spark： 2.1.0

Scala 2.11.8

Hadoop 2.6.2

加载Json数据

我们可以简单地通过SQLContext读取Json文件

val dfSQLContext = sqlContext.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")

或者通过SparkSession读取Json文件

val dfSparkSession = spark.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")

以上两种方式读取的结果是一样的

scala> val dfSQLContext = sqlContext.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
dfSQLContext: org.apache.spark.sql.DataFrame = [addTime: string, channel: string ... 3 more fields]
scala> val dfSparkSession = spark.read.json("/user/hadoop/flume/my_crawler_jd_report/*/*")
dfSparkSession: org.apache.spark.sql.DataFrame = [addTime: string, channel: string ... 3 more fields]

现在我们来看下整个Json的数据结构

scala> dfSparkSession.printSchema
root
 |-- addTime: string
 |-- channel: string
 |-- consume_time: string
 |-- message: struct
 |    |-- addressInfo: array
 |    |    |-- element: struct
 |    |    |    |-- address: string
 |    |    |    |-- addressLabel: string
 |    |    |    |-- consignee: string
 |    |    |    |-- email: string
 |    |    |    |-- phoneNumber : string
 |    |    |    |-- region: string
 |    |-- certifyInfo: struct
 |    |    ...结构比较复杂，此处省略
 |-- sUserId: string (nullable = true)

因为结构比较复杂，直接挑重点进行讲解，在这里我们先看下addressInfo这个节点，节点中存储的是数组（array）形式的多条（struct）用户地址信息，地址信息中又包含了编号，手机号，地址等详细信息。

嵌套数组结构

打平/分解数组

如果Json对象中包含了数组结构，我们应该如何访问到数组中的元素呢？有一种方法就是直接将这条数据中的数组打平成多条数据，也就是一条记录拆分成多条记录，在这里我们可以直接通过explode()函数实现

scala> val dfDetails = dfSQLContext.select(dfSQLContext("sUserId"),explode(dfSQLContext("message.addressInfo"))).toDF("userid","addressInfo")
scala> dfDetails.printSchema
root
 |-- userid: string
 |-- addressInfo: struct
 |    |-- address: string
 |    |-- addressLabel: string
 |    |-- consignee: string
 |    |-- email: string
 |    |-- phoneNumber : string
 |    |-- region: string
 |    |-- telephoneNumber: string

现在我们已经将addressInfo打平成一条条记录，不再是数组结构的数据了。

这样就可以很简单的通过select来读取struct结构中的数据了，我们通过addressInfo.address来读取详细地址信息：

scala> val dfDetailsAddress = dfDetails.select("addressInfo.address")
scala> dfDetailsAddress.show(10)
+--------------------+
|             address|
+--------------------+
|师大京东派|
|障岗村广东青年职业学院|
|永泰永康路致和街一巷之三号（永泰小学旁）|
|燕岭路89号燕侨大厦407室翰墨教育|
|广东财经大学华商学院-华商路1号|
|蓬馨园西二栋203|
|障岗村广东青年职业职业学院|
|新兴街教育局对面梦韵床上用品专卖店|
|大园街十一巷九号一楼|
|玉亭镇百湖凤凰溪35号|
+--------------------+
only showing top 10 rows

至此，每一条地址信息都拆分成了单独的一条记录。

参考文献

explode()

http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.functions$@explode(e:org.apache.spark.sql.Column):org.apache.spark.sql.Column