Я пытаюсь прочитать и преобразовать файл csv как с столбцами json, так и с не-json. Мне удалось прочитать файл и поместить его в dataframe. Схема такова:Файл чтения pyspark с столбцами json и non-json
root
|-- 'id': string (nullable = true)
|-- 'score': string (nullable = true)
И если я df.take(2)
, я получаю эти результаты:
[Row('id'=u"'AF03DCAB-EE3F-493A-ACD9-4B98F548E6F3'", 'score'=u"{'topSpeed':15.00000,'averageSpeed':5.00000,'harshBraking':0,'harshAcceleration':0,'driverRating':null,'idlingScore':70,'speedingScore':70,'brakingScore':70,'accelerationScore':70,'totalEcoScore':70 }"), Row('id'=u"'1938A2B9-5EF2-413C-A7A3-C5F324FD4089'", 'score'=u"{'topSpeed':106.00000,'averageSpeed':71.00000,'harshBraking':0,'harshAcceleration':0,'driverRating':9,'idlingScore':76,'speedingScore':87,'brakingScore':86,'accelerationScore':82,'totalEcoScore':83 }")]
колонка id
является «нормальным» столбец и score
столбец содержит данные в json. Я хочу разбить содержимое json на отдельные столбцы, но также нужен столбец id с остальными данными. А имеет рабочую часть кода только для бигованной колонки:
df = rawdata.select("'score'")
df1 = df.rdd # Convert to rdd
df2 = df1.flatMap(lambda x: x) # Flatten rows
dfJsonScore = sqlContext.read.json(df2)
dfJsonScore.printSchema()
dfJsonScore.take(3)
Это дает мне это:
root
|-- accelerationScore: long (nullable = true)
|-- averageSpeed: double (nullable = true)
|-- brakingScore: long (nullable = true)
|-- driverRating: long (nullable = true)
|-- harshAcceleration: long (nullable = true)
|-- harshBraking: long (nullable = true)
|-- idlingScore: long (nullable = true)
|-- speedingScore: long (nullable = true)
|-- topSpeed: double (nullable = true)
|-- totalEcoScore: long (nullable = true)
[Row(accelerationScore=70, averageSpeed=5.0, brakingScore=70, driverRating=None, harshAcceleration=0, harshBraking=0, idlingScore=70, speedingScore=70, topSpeed=15.0, totalEcoScore=70),
Row(accelerationScore=82, averageSpeed=71.0, brakingScore=86, driverRating=9, harshAcceleration=0, harshBraking=0, idlingScore=76, speedingScore=87, topSpeed=106.0, totalEcoScore=83),
Row(accelerationScore=81, averageSpeed=74.0, brakingScore=85, driverRating=9, harshAcceleration=0, harshBraking=0, idlingScore=75, speedingScore=87, topSpeed=102.0, totalEcoScore=82)]
Но я не могу заставить его работать в сочетании с колонкой идентификатора.
Спасибо за ваш ответ , К сожалению, мы все еще находимся на pyspark 2.0, поэтому мне придется искать альтернативное решение. – Chantal
См. Обновленный ответ – Mariusz
Спасибо за обновление. Это отлично работает для того случая, над которым я работаю. – Chantal