问题导读
1.spark2 sql如何读取json文件?
2.spark2读取json格式文件有什么要求?
3.spark2是如何处理对于带有表名信息的json文件的?
spark有多个数据源,json是其中一种。那么对于json格式的数据,spark在操作的过程中,可能会遇到哪些问题?
这里首先我们需要对json格式的数据有一定的了解。
json数据有两种格式:
1.对象表示
2.数组表示
二者也有嵌套形式。
比如我们创建一个个人信息的json。
[Plain Text] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
|
{ "people": [
{
"name": "aboutyun",
"age": "4"
},
{
"name": "baidu",
"age": "5"
}
]
}
|
上面是一个比较常见的json。信息我们大致也能看出来:people表示的是表名,后面的内容为表的内容,包含了姓名和年龄。然而我们在使用spark读取的时候却遇到点小问题。上面内容保存为文件people.json,然后上传到hdfs的跟路径,进入spark-shell,读取json文件
[Scala] 纯文本查看 复制代码
?
1
|
val
peopleDF
=
spark.read.json(
"/people.json"
)
|
打印schema
[Bash shell] 纯文本查看 复制代码
?
1
|
peopleDF.printSchema
|
这时候我们看到people并不是表名,而age和name也非列明。我们通过
[Scala] 纯文本查看 复制代码
?
1
|
peopleDF.show
|
展示列名
也就是说我们如果带有"people"格式的信息,DataFrame就会被认为是列名。个人认为这是spark不太好的地方,应该可以改进。这里也可以自动读取为表名或则忽略,而不是默认为一个字段名称。
既然目前spark是这么做,那么我们该如何做,才能让spark正确的读取?
我们来尝试下面格式的json文件
[Plain Text] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
|
[
{
"name": "aboutyun",
"age": "4"
},
{
"name": "baidu",
"age": "5"
}
]
|
操作是同样的方式
[Scala] 纯文本查看 复制代码
?
1
|
val
peopleDF
=
spark.read.json(
"/people.json"
)
|
[Bash shell] 纯文本查看 复制代码
?
1
|
peopleDF.printSchema
|
接着我们来打印数据
[Scala] 纯文本查看 复制代码
?
1
|
peopleDF.show
|
这时候我们看到它能正确的显示数据了。
从上面我们看出spark对于json文件,不是什么格式都是可以的,需要做一定的修改,才能正确读取,相信以后spark会有所改进。