Spark SQL操作JSON字段的小技巧

前言

介紹Spark SQL的JSON支持，這是我們在Databricks中開發(fā)的一個(gè)功能，可以在Spark中更容易查詢和創(chuàng)建JSON數(shù)據(jù)。隨著網(wǎng)絡(luò)和移動(dòng)應(yīng)用程序的普及，JSON已經(jīng)成為Web服務(wù)API以及長期存儲(chǔ)的常用的交換格式。使用現(xiàn)有的工具，用戶通常會(huì)使用復(fù)雜的管道來在分析系統(tǒng)中讀取和寫入JSON數(shù)據(jù)集。在Apache Spark 1.1中發(fā)布Spark SQL的JSON支持，在Apache Spark 1.2中增強(qiáng)，極大地簡化了使用JSON數(shù)據(jù)的端到端體驗(yàn)。

很多時(shí)候，比如用structure streaming消費(fèi)kafka數(shù)據(jù)，默認(rèn)可能是得到key,value字段，key是偏移量，value是一個(gè)byte數(shù)組。很可能value其實(shí)是一個(gè)Json字符串。這個(gè)時(shí)候我們該如何用SQL操作這個(gè)json里的東西呢？另外，如果我處理完的數(shù)據(jù)，我想寫入到kafka,但是我想把整條記錄作為json格式寫入到Kafka,又該怎么寫這個(gè)SQL呢？

get_json_object

第一個(gè)就是get_json_object，具體用法如下：

select get_json_object('{"k": "foo", "v": 1.0}','$.k') as k

需要給定get_json_object 一個(gè)json字段名（或者字符串），然后通過類似jsonPath的方式去拿具體的值。
這個(gè)方法其實(shí)有點(diǎn)麻煩，如果要提取里面的是個(gè)字段，我就要寫是個(gè)類似的東西，很復(fù)雜。

from_json

具體用法如下：

select a.k from (
select from_json('{"k": "foo", "v": 1.0}','k STRING, v STRING',map("","")) as a
)

這個(gè)方法可以給json定義一個(gè)Schema,這樣在使用時(shí)，就可以直接使用a.k這種方式了，會(huì)簡化很多。

to_json

該方法可以把對應(yīng)字段轉(zhuǎn)化為json字符串，比如：

select to_json(struct(*)) AS value

可以把所有字段轉(zhuǎn)化為json字符串，然后表示成value字段，接著你就可以把value字段寫入Kafka了。是不是很簡單。

處理具有大量字段的JSON數(shù)據(jù)集

JSON數(shù)據(jù)通常是半結(jié)構(gòu)化、非固定結(jié)構(gòu)的。將來，我們將擴(kuò)展Spark SQL對JSON支持，以處理數(shù)據(jù)集中的每個(gè)對象可能具有相當(dāng)不同的結(jié)構(gòu)的情況。例如，考慮使用JSON字段來保存表示HTTP標(biāo)頭的鍵/值對的數(shù)據(jù)集。每個(gè)記錄可能會(huì)引入新的標(biāo)題類型，并為每個(gè)記錄使用一個(gè)不同的列將產(chǎn)生一個(gè)非常寬的模式。我們計(jì)劃支持自動(dòng)檢測這種情況，而是使用map類型。因此，每行可以包含Map，使得能夠查詢其鍵/值對。這樣，Spark SQL將處理具有更少結(jié)構(gòu)的JSON數(shù)據(jù)集，推動(dòng)了基于SQL的系統(tǒng)可以處理的那種查詢的邊界。

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。