JSON 文件

Spark SQL 可以自动推断 JSON 数据集的模式并将其加载为数据帧。可以使用 JSON 文件上的 SparkSession.read.json 完成此转换。

请注意,作为*JSON 文件*提供的文件不是典型的 JSON 文件。每行必须包含一个单独的、自包含的有效 JSON 对象。有关更多信息,请参阅JSON Lines 文本格式,也称为换行符分隔的 JSON

对于常规的多行 JSON 文件,请将 multiLine 参数设置为 True

# spark is from the previous example.
sc = spark.sparkContext

# A JSON dataset is pointed to by path.
# The path can be either a single text file or a directory storing text files
path = "examples/src/main/resources/people.json"
peopleDF = spark.read.json(path)

# The inferred schema can be visualized using the printSchema() method
peopleDF.printSchema()
# root
#  |-- age: long (nullable = true)
#  |-- name: string (nullable = true)

# Creates a temporary view using the DataFrame
peopleDF.createOrReplaceTempView("people")

# SQL statements can be run by using the sql methods provided by spark
teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")
teenagerNamesDF.show()
# +------+
# |  name|
# +------+
# |Justin|
# +------+

# Alternatively, a DataFrame can be created for a JSON dataset represented by
# an RDD[String] storing one JSON object per string
jsonStrings = ['{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}']
otherPeopleRDD = sc.parallelize(jsonStrings)
otherPeople = spark.read.json(otherPeopleRDD)
otherPeople.show()
# +---------------+----+
# |        address|name|
# +---------------+----+
# |[Columbus,Ohio]| Yin|
# +---------------+----+
在 Spark 存储库的“examples/src/main/python/sql/datasource.py”中查找完整的示例代码。

Spark SQL 可以自动推断 JSON 数据集的模式并将其加载为 Dataset[Row]。可以使用 SparkSession.read.json()Dataset[String] 或 JSON 文件上完成此转换。

请注意,作为*JSON 文件*提供的文件不是典型的 JSON 文件。每行必须包含一个单独的、自包含的有效 JSON 对象。有关更多信息,请参阅JSON Lines 文本格式,也称为换行符分隔的 JSON

对于常规的多行 JSON 文件,请将 multiLine 选项设置为 true

// Primitive types (Int, String, etc) and Product types (case classes) encoders are
// supported by importing this when creating a Dataset.
import spark.implicits._

// A JSON dataset is pointed to by path.
// The path can be either a single text file or a directory storing text files
val path = "examples/src/main/resources/people.json"
val peopleDF = spark.read.json(path)

// The inferred schema can be visualized using the printSchema() method
peopleDF.printSchema()
// root
//  |-- age: long (nullable = true)
//  |-- name: string (nullable = true)

// Creates a temporary view using the DataFrame
peopleDF.createOrReplaceTempView("people")

// SQL statements can be run by using the sql methods provided by spark
val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")
teenagerNamesDF.show()
// +------+
// |  name|
// +------+
// |Justin|
// +------+

// Alternatively, a DataFrame can be created for a JSON dataset represented by
// a Dataset[String] storing one JSON object per string
val otherPeopleDataset = spark.createDataset(
  """{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)
val otherPeople = spark.read.json(otherPeopleDataset)
otherPeople.show()
// +---------------+----+
// |        address|name|
// +---------------+----+
// |[Columbus,Ohio]| Yin|
// +---------------+----+
在 Spark 存储库的“examples/src/main/scala/org/apache/spark/examples/sql/SQLDataSourceExample.scala”中查找完整的示例代码。

Spark SQL 可以自动推断 JSON 数据集的模式并将其加载为 Dataset<Row>。可以使用 SparkSession.read().json()Dataset<String> 或 JSON 文件上完成此转换。

请注意,作为*JSON 文件*提供的文件不是典型的 JSON 文件。每行必须包含一个单独的、自包含的有效 JSON 对象。有关更多信息,请参阅JSON Lines 文本格式,也称为换行符分隔的 JSON

对于常规的多行 JSON 文件,请将 multiLine 选项设置为 true

import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;

// A JSON dataset is pointed to by path.
// The path can be either a single text file or a directory storing text files
Dataset<Row> people = spark.read().json("examples/src/main/resources/people.json");

// The inferred schema can be visualized using the printSchema() method
people.printSchema();
// root
//  |-- age: long (nullable = true)
//  |-- name: string (nullable = true)

// Creates a temporary view using the DataFrame
people.createOrReplaceTempView("people");

// SQL statements can be run by using the sql methods provided by spark
Dataset<Row> namesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19");
namesDF.show();
// +------+
// |  name|
// +------+
// |Justin|
// +------+

// Alternatively, a DataFrame can be created for a JSON dataset represented by
// a Dataset<String> storing one JSON object per string.
List<String> jsonData = Arrays.asList(
        "{\"name\":\"Yin\",\"address\":{\"city\":\"Columbus\",\"state\":\"Ohio\"}}");
Dataset<String> anotherPeopleDataset = spark.createDataset(jsonData, Encoders.STRING());
Dataset<Row> anotherPeople = spark.read().json(anotherPeopleDataset);
anotherPeople.show();
// +---------------+----+
// |        address|name|
// +---------------+----+
// |[Columbus,Ohio]| Yin|
// +---------------+----+
在 Spark 存储库的“examples/src/main/java/org/apache/spark/examples/sql/JavaSQLDataSourceExample.java”中查找完整的示例代码。

Spark SQL 可以自动推断 JSON 数据集的模式并将其加载为数据帧。使用 read.json() 函数,该函数从 JSON 文件目录加载数据,其中文件的每一行都是一个 JSON 对象。

请注意,作为*JSON 文件*提供的文件不是典型的 JSON 文件。每行必须包含一个单独的、自包含的有效 JSON 对象。有关更多信息,请参阅JSON Lines 文本格式,也称为换行符分隔的 JSON

对于常规的多行 JSON 文件,请将命名参数 multiLine 设置为 TRUE

# A JSON dataset is pointed to by path.
# The path can be either a single text file or a directory storing text files.
path <- "examples/src/main/resources/people.json"
# Create a DataFrame from the file(s) pointed to by path
people <- read.json(path)

# The inferred schema can be visualized using the printSchema() method.
printSchema(people)
## root
##  |-- age: long (nullable = true)
##  |-- name: string (nullable = true)

# Register this DataFrame as a table.
createOrReplaceTempView(people, "people")

# SQL statements can be run by using the sql methods.
teenagers <- sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")
head(teenagers)
##     name
## 1 Justin
在 Spark 存储库的“examples/src/main/r/RSparkSQLExample.R”中查找完整的示例代码。
CREATE TEMPORARY VIEW jsonTable
USING org.apache.spark.sql.json
OPTIONS (
  path "examples/src/main/resources/people.json"
)

SELECT * FROM jsonTable

数据源选项

可以通过以下方式设置 JSON 的数据源选项

属性名称默认值含义范围
timeZone spark.sql.session.timeZone 配置的值) 设置字符串,该字符串指示用于格式化 JSON 数据源或分区值中的时间戳的时区 ID。支持以下 timeZone 格式
  • 基于区域的时区 ID:它应该采用“区域/城市”的形式,例如“America/Los_Angeles”。
  • 时区偏移量:它应该采用“(+|-)HH:mm”的格式,例如“-08:00”或“+01:00”。此外,“UTC”和“Z”也作为“+00:00”的别名受支持。
不建议使用其他简称(如“CST”),因为它们可能会造成歧义。
读/写
primitivesAsString false 将所有原始值推断为字符串类型。
prefersDecimal false 将所有浮点值推断为十进制类型。如果值不适合十进制,则将它们推断为双精度值。
allowComments false 忽略 JSON 记录中的 Java/C++ 样式注释。
allowUnquotedFieldNames false 允许未加引号的 JSON 字段名称。
allowSingleQuotes true 除了双引号外,还允许使用单引号。
allowNumericLeadingZeros false 允许数字中的前导零(例如 00012)。
allowBackslashEscapingAnyCharacter false 允许使用反斜杠引用机制接受所有字符的引用。
mode PERMISSIVE 允许在解析过程中处理损坏记录的模式。
  • PERMISSIVE:当遇到损坏的记录时,将格式错误的字符串放入由 columnNameOfCorruptRecord 配置的字段中,并将格式错误的字段设置为 null。为了保留损坏的记录,用户可以在用户定义的模式中设置一个名为 columnNameOfCorruptRecord 的字符串类型字段。如果模式中没有该字段,则在解析过程中会删除损坏的记录。在推断模式时,它会在输出模式中隐式添加一个 columnNameOfCorruptRecord 字段。
  • DROPMALFORMED:忽略整个损坏的记录。JSON 内置函数不支持此模式。
  • FAILFAST:当遇到损坏的记录时抛出异常。
columnNameOfCorruptRecord spark.sql.columnNameOfCorruptRecord 配置的值) 允许重命名由 PERMISSIVE 模式创建的具有格式错误字符串的新字段。这将覆盖 spark.sql.columnNameOfCorruptRecord。
dateFormat yyyy-MM-dd 设置指示日期格式的字符串。自定义日期格式遵循日期时间模式中的格式。这适用于日期类型。 读/写
timestampFormat yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] 设置指示时间戳格式的字符串。自定义日期格式遵循日期时间模式中的格式。这适用于时间戳类型。 读/写
timestampNTZFormat yyyy-MM-dd'T'HH:mm:ss[.SSS] 设置指示没有时区格式的时间戳的字符串。自定义日期格式遵循日期时间模式中的格式。这适用于没有时区类型的时间戳,请注意,在写入或读取此数据类型时,不支持时区偏移量和时区组件。 读/写
enableDateTimeParsingFallback 如果时间解析器策略具有旧设置或未提供自定义日期或时间戳模式,则启用。 如果值与设置的模式不匹配,则允许回退到解析日期和时间戳的向后兼容(Spark 1.x 和 2.0)行为。
multiLine false 解析每个文件一条记录,该记录可能跨越多行。JSON 内置函数忽略此选项。
allowUnquotedControlChars false 允许 JSON 字符串包含未加引号的控制字符(ASCII 字符,其值小于 32,包括制表符和换行符)或不允许。
encoding 在将 multiLine 设置为 true 时自动检测(用于读取),UTF-8(用于写入) 对于读取,允许强制为 JSON 文件设置一种标准基本编码或扩展编码。例如 UTF-16BE、UTF-32LE。对于写入,指定保存的 JSON 文件的编码(字符集)。JSON 内置函数忽略此选项。 读/写
lineSep \r\r\n\n(用于读取),\n(用于写入) 定义应用于解析的行分隔符。JSON 内置函数忽略此选项。 读/写
samplingRatio 1.0 定义用于模式推断的输入 JSON 对象的比例。
dropFieldIfAllNull false 在模式推断期间是否忽略所有空值或空数组的列。
locale en-US 以 IETF BCP 47 格式设置语言标记形式的区域设置。例如,在解析日期和时间戳时使用 locale
allowNonNumericNumbers true 允许 JSON 解析器将一组“非数字”(NaN)标记识别为合法的浮点数。
  • +INF:表示正无穷大,以及 +InfinityInfinity 的别名。
  • -INF:表示负无穷大,别名 -Infinity
  • NaN:表示其他非数字,例如除以零的结果。
compression (无) 保存到文件时要使用的压缩编解码器。这可以是已知的区分大小写的简称之一(无、bzip2、gzip、lz4、snappy 和 deflate)。JSON 内置函数忽略此选项。
ignoreNullFields spark.sql.jsonGenerator.ignoreNullFields 配置的值) 生成 JSON 对象时是否忽略空字段。

其他通用选项可以在通用文件源选项中找到。