Spark-SQL之JSON数据源

本文介绍了Spark SQL如何处理JSON数据源,强调了JSON文件的格式要求,即每行必须包含一个独立有效的JSON对象。通过SQLContext.read.json()方法,可以将JSON数据转化为DataFrame。并提供了Java和Scala版本的示例代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

JSON数据源

Spark SQL可以自动推断JSON文件的元数据,并且加载其数据,创建一个DataFrame。可以使用SQLContext.read.json ()方法,针对一个元素类型为String的RDD,或者是一个JSON文件。

 

但是要注意的是,这里使用的JSON文件与传统意义上的JSON文件是不一样的。每行都必须,也只能包含一个,单独的,自包含的,有效的JSON对象。不能让一个JSON对象分散在多行。否则会报错。

 

案例:

Java版本:

package Spark_SQL.Hive_sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.Tuple2;

import java.util.ArrayList;
import java.util.List;
import static org.apache.spark.sql.types.DataTypes.IntegerType;
import static org.apache.spark.sql.types.DataTypes.StringType;

/**
 * @Date: 2019/3/16 9:13
 * @Author Angle
 */

/*
* 利用json数据源执行sql
* 查询json文件中成绩大于80的学生的信息
*
* 1、读取json文件,查询成绩大于80学生姓名
* 2、针对json字符串创建DataFrame,查询出符合条件姓名的成绩
* 3、进行join连接,保存到文件
*
* */
public class JSONDataSource {
    public static void main(String[] args){

        SparkConf conf = new SparkConf().setAppName("JSONDataSource").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);

        //针对json文件创建dataFrame
        Dataset<Row> stuDF = sqlContext.read().json("E:\\IDEA\\textFile\\hive\\students.json");

        //注册临时表,查询成绩大于80的学生
        stuDF.registerTempTable("students");
        Dataset<Row> stuScore = sqlContext.sql("select name,score from students where score>=80");

        //DataFrame转化为RDD,执行transformation操作
        List<Object> goodstuName = stuScore.javaRDD().map(new Function<Row, Object>() {
            @Override
            public Object call(Row row) throws Exception {
                return row.getString(0);
            }
        }).collect();

        //针对JavaRDD<String>创建DataFrame
        ArrayList<String> stuInfoJSON = new ArrayList<String>();
        stuInfoJSON.add("{\"name\":\"Leo\", \"age\":15}");
        stuInfoJSON.add("{\"name\":\"Marry\", \"age\":19}");
        stuInfoJSON.add("{\"name\":\"Jack\", \"age\":27}");

        JavaRDD<String> stuInfoJSONRDD = sc.parallelize(stuInfoJSON,1);
        Dataset<Row> stuInfoDF = sqlContext.read().json(stuInfoJSONRDD);

        //注册临时表,查询分数大于80学生信息
        stuInfoDF.registerTempTable("student_Info");

        String sql = "select name,age from student_info where name in (";
        for (int i=0 ; i<goodstuName.size();i++){
            sql += "'"+goodstuName.get(i)+ "'";
            if(i<goodstuName.size()-1){
                sql += ",";
            }
        }
        sql += ")";

        //通过sql语句得出name+score信息
        Dataset<Row> goodStuInfoDF = sqlContext.sql(sql);

        //将两份数据的DataFrame,转换为JavaPairRDD,执行join,transformation操作
        //先转换为JavaRDD,再map为JavaPairRDD,再join
        JavaPairRDD<String, Tuple2<Integer, Integer>> goodStudentRDD = goodStuInfoDF.javaRDD().mapToPair(new PairFunction<Row, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(Row row) throws Exception {
                return new Tuple2<String, Integer>(
                        row.getString(0), Integer.valueOf(String.valueOf(row.getLong(1))));
            }
        }).join(stuScore.javaRDD().mapToPair(new PairFunction<Row, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(Row row1) throws Exception {
                return new Tuple2<String, Integer>(
                        row1.getString(0), Integer.valueOf(String.valueOf(row1.getLong(1))));
            }
        }));

        //然后将好学生的全部信息转化为JavaRDD<row> ( JavaRDD -> DataFrame )
        JavaRDD<Row> goodStudentRowRDD = goodStudentRDD.map(new Function<Tuple2<String, Tuple2<Integer, Integer>>, Row>() {
            @Override
            public Row call(Tuple2<String, Tuple2<Integer, Integer>> v1) throws Exception {
                return RowFactory.create(v1._1,v1._2._2,v1._2._1);
            }
        });

        //创建元数据,将JavaRDD<Row>转换为DataFrame
        List<StructField> structField = new ArrayList<StructField>();
        structField.add(DataTypes.createStructField("name", StringType,true));
        structField.add(DataTypes.createStructField("score",IntegerType,true));
        structField.add(DataTypes.createStructField("age",IntegerType,true));
        StructType structType = DataTypes.createStructType(structField);

        Dataset<Row> goodStudentDF = sqlContext.createDataFrame(goodStudentRowRDD, structType);

        goodStudentDF.write().format("json").save("E:\\IDEA\\textFile\\hive\\goodStudentsDF.json");

    }
}

scala版本:

package SparkSQL_Scala.HiveSql

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}

/**
  * @Date: 2019/3/16 14:06
  * @Author Angle
  */
object JSONDataSource_s {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("JSONDataSource_s").setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    //读取数据-->注册临时表-->sql查询-->拉取name到本地转化成row
    val stuScoreDF = sqlContext.read.json("E:\\IDEA\\textFile\\hive\\students.json")
    stuScoreDF.registerTempTable("student_score")
    val goodStuDF = sqlContext.sql("select name,score from student_score " +
      "where score>=80")
    val goodStuName = goodStuDF.rdd.map(row => row(0)).collect()

    //student的json信息-->>序列化成RDD-->>转换成DataFrame表-->>注册成临时表
    val stuInfoJSON = Array("{\"name\":\"Leo\", \"age\":85}",
      "{\"name\":\"Marry\", \"age\":99}",
      "{\"name\":\"Jack\", \"age\":74}")

    val stuInfoJSONRDD = sc.parallelize(stuInfoJSON,1)
    val stuInfoDF = sqlContext.read.json(stuInfoJSONRDD)
    stuInfoDF.registerTempTable("student_info")

    //查询分数大于80学生基本信息
    var sql = "select name,age from student_info where name in (";
    for (i <- 0 until goodStuName.length ){
      sql += "'"+goodStuName(i)+ "'"
      if(i<goodStuName.length-1){
        sql += ","
      }
    }
    sql += ")"

    val goodStuInfoDF = sqlContext.sql(sql)

    //将分数大于80学生信息与基本信息join
    val goodStuRDD = goodStuDF.rdd.map{row =>
      (row.getAs[String]("name"),row.getAs[Long]("score"))}
      .join(goodStuInfoDF.rdd.map(row => (row.getAs[String]("name")
        ,row.getAs[Long]("age"))))

    //将RDD转化为DataFrame
    val goodStuRowsRDD = goodStuRDD.map(info =>
      Row(info._1,info._2._1.toInt,info._2._2.toInt))

    //构建元数据
    val structType = StructType(Array(
      StructField("name",StringType,true),
      StructField("score",IntegerType,true),
      StructField("age",IntegerType,true)
    ))

    val goodStudentsDF = sqlContext.createDataFrame(goodStuRowsRDD,structType)

    //将DataFrame中的数据保存到json中
    goodStudentsDF.write.format("json").save("E:\\IDEA\\textFile\\hive\\goodStudentsDF.json")

  }
}

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值