Pyspark结构化流解析嵌套Json

Question

[我的项目是，将json写入Kafka主题，然后从kafka主题中读取json，最终导致csv崩溃。一切都很好。但是有些键是嵌套的json。如何解析json中的列表？

Json示例：

{“ a”：“ test”，“ b”：“ 1234”，“ c”：“ temp”，“ d”：[{“ test1”：“ car”，“ test2”：345}，{“ test3“：”动物“，” test4“：1}]，” e“：50000}

您可以在下面看到我的代码。

import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.types import *
import pyspark.sql.functions as func
spark = SparkSession.builder\
                    .config('spark.jars.packages', 'org.apache.spark:spark-sql-kafka-0-10_2.11:2.3.0') \
                    .appName('kafka_stream_test')\
                    .getOrCreate()
ordersSchema = StructType() \
        .add("a", StringType()) \
        .add("b", StringType()) \
        .add("c", StringType()) \
        .add("d", StringType())\
        .add("e", StringType())

df = spark \
    .readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "test") \
    .load()\


df_query = df \
    .selectExpr("cast(value as string)") \
    .select(func.from_json(func.col("value").cast("string"),ordersSchema).alias("parsed"))\
    .select("parsed.a","parsed.b","parsed.c","parsed.d","parsed.e","parsed.f")\

df_s = df_query \
    .writeStream \
    .format("console") \
    .outputMode("append") \
    .trigger(processingTime = "1 seconds")\
    .start()


aa = df_query \
    .writeStream \
    .format("csv")\
    .trigger(processingTime = "5 seconds")\
    .option("path", "/var/kafka_stream_test_out/")\
    .option("checkpointLocation", "/var/kafka_stream_test_out/chk") \
    .start()


df.printSchema()
df_s.awaitTermination()
aa.awaitTermination()

谢谢！

Answer 1

“ d”列的架构错误。它必须是ArrayType。请查看等效的Scala代码，您可以将其转换为Python。

    val schema = new StructType().add("a",StringType)
      .add("b",StringType)
      .add("c",StringType)
      .add("d",ArrayType(new StructType().add("test1",StringType).add("test2",StringType)))
      .add("e",StringType)

json在“ d”的每一行上都有不同的列名。我假设这是一个错字，并且字段是“ test1”和“ test2”