PyFlink SQL的json解析函数

最新推荐文章于 2025-09-30 03:51:50 发布

原创最新推荐文章于 2025-09-30 03:51:50 发布 · 1.1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#flink #sql #json

大数据行舟同时被 2 个专栏收录

4 篇文章

订阅专栏

开发心得 pig

3 篇文章

订阅专栏

在大数据处理中，面对包含JSON的数据，Flink SQL相较于Hive缺少现成的JSON解析函数。本文介绍了一种应对策略，特别是在处理结构不固定且嵌套的JSON时，通过编写Python UDF并在Flink SQL中使用，实现了类似Hive的jsonpath功能，以解决实时处理需求。提供了UDF代码示例及执行方法。

当你遇到大数据里含有json时候，离线数仓开发，hive有特别好用的get_json函数。

例如下面的：

SELECT get_json_object(xjson,"$.[0].age") FROM person

但遇到实时处理该咋办？

同学们会说，Flink SQL里不是有吗？好吧，你太想当然了。

在FlinkSQL，特别是最好用的FlinkSQL里，居然没有成型的JSON解析函数。

根据遇到的情形，有好几种方式。

如果遇到的是json有固定结构，那在定义flinkSQL的表结构里可以。比如:

像这样的json，

{
 "funcName": "test",
 "data": {
  "snapshots": [{
   "content_type": "application/x-gzip-compressed-jpeg",
   "url": "https://blog.youkuaiyun.com/xianpanjia4616"
  }],
  "audio": [{
   "content_type": "audio/wav",
   "url": " https://bss.youkuaiyun.com/m/topic/blog_star2020/detail?username=xianpanjia4616"
  }]
 },
 "resultMap": {
  "result": {
   "cover": "/data/test/log.txt"
  },
  "isSuccess": true
 },
 "meta": {
  "video_type": "normal"
 },
 "type": 2,
 "timestamp": 1610549997263,
 "arr": [{
  "address": "北京市海淀区",
  "city": "beijing"
 }, {
  "address": "北京市海淀区",
  "city": "beijing"
 }, {
  "address": "北京市海淀区",
  "city": "beijing"
 }],
 "map": {
  "flink": 456
 },
 "doublemap": {
  "inner_map": {
   "key": 123
  }
 }
}

可以使用这样的表结构定义:

CREATE TABLE kafka_source (
    funcName STRING,
    data ROW<snapshots ARRAY<ROW<content_type STRING,url STRING>>,audio ARRAY<ROW<content_type STRING,url STRING>>>,
    resultMap ROW<`result` MAP<STRING,STRING>,isSuccess BOOLEAN>,
    meta  MAP<STRING,STRING>,
    `type` INT,
    `timestamp` BIGINT,
    arr ARRAY<ROW<address STRING,city STRING>>,
    map MAP<STRING,INT>,
    doublemap MAP<STRING,MAP<STRING,INT>>,
    proctime as PROCTIME()
) WITH (
    'connector' = 'kafka', -- 使用 kafka connector
    'topic' = 'test',  -- kafka topic
    'properties.bootstrap.servers' = 'master:9092,storm1:9092,storm2:9092',  -- broker连接信息
    'properties.group.id' = 'jason_flink_test', -- 消费kafka的group_id
    'scan.startup.mode' = 'latest-offset',  -- 读取数据的位置
    'format' = 'json',  -- 数据源格式为 json
    'json.fail-on-missing-field' = 'true', -- 字段丢失任务不失败
    'json.ignore-parse-errors' = 'false'  -- 解析失败跳过
)

但是，如果json里是可变的结构，并且，json是嵌套的，如果需要像hive里一样用jsonpath来获取元素值，那该怎么办？

经过若干次失败，用python实现了这个方法。而且在flinkSQL里就可以直接使用，用过的同事都叫好。

UDF 函数代码如下：

from pyflink.table import DataTypes
from pyflink.table.udf import udf
import jsonpath
import json
@udf(input_types=[DataTypes.STRING(),DataTypes.STRING()], result_type=DataTypes.STRING()
)
def json_get(k,s):
   try:
     js=json.loads(s)
   except json.decoder.JSONDecodeError:
     return "" 
   ret= jsonpath.jsonpath(js,k)
   if not ret:
      return ""
   return str(ret[0])

如何执行

flink-1.12.2/bin/sql-client.sh embedded -e ./env.yaml -pyexec /data3/soft/pyflink/bin/python -pyfs ./test.py