DataFrameReader.json
метод предоставляет необязательный аргумент схемы, который вы можете использовать здесь. Если ваша схема является сложной самым простым решением является повторным использованием одного выведенных из файла, который содержит все поля:
df_complete = spark.read.json("complete_file")
schema = df_complete.schema
df_with_missing = spark.read.json("df_with_missing", schema)
# or
# spark.read.schema(schema).("df_with_missing")
Если вы знаете схему, но по какой-то причине вы не можете использовать выше, вы должны создать его с нуля.
schema = StructType([
StructField("A", LongType(), True), ..., StructField("C", LongType(), True)])
Как всегда обязательно выполните некоторые проверки качества после загрузки ваших данных.
Пример (обратите внимание, что все поля являются nullable
):
from pyspark.sql.types import *
schema = StructType([
StructField("x1", FloatType()),
StructField("x2", StructType([
StructField("y1", DoubleType()),
StructField("y2", StructType([
StructField("z1", StringType()),
StructField("z2", StringType())
]))
])),
StructField("x3", StringType()),
StructField("x4", IntegerType())
])
spark.read.json(sc.parallelize(["""{"x4": 1}"""]), schema).printSchema()
## root
## |-- x1: float (nullable = true)
## |-- x2: struct (nullable = true)
## | |-- y1: double (nullable = true)
## | |-- y2: struct (nullable = true)
## | | |-- z1: string (nullable = true)
## | | |-- z2: string (nullable = true)
## |-- x3: string (nullable = true)
## |-- x4: integer (nullable = true)
spark.read.json(sc.parallelize(["""{"x4": 1}"""]), schema).first()
## Row(x1=None, x2=None, x3=None, x4=1)
spark.read.json(sc.parallelize(["""{"x3": "foo", "x1": 1.0}"""]), schema).first()
## Row(x1=1.0, x2=None, x3='foo', x4=None)
spark.read.json(sc.parallelize(["""{"x2": {"y2": {"z2": "bar"}}}"""]), schema).first()
## Row(x1=None, x2=Row(y1=None, y2=Row(z1=None, z2='bar')), x3=None, x4=None)
Важно:
Этот метод применим только к источнику JSON и зависят от деталей реализации. Не используйте его для таких источников, как паркет.
read.json(), кажется, принимает только один аргумент. это сработало для меня: df_with_missing = sqlContext.read.schema (schema) .json ("df_with_missing") – jgaw
Я не уверен, что это решение работает. Вы можете в значительной степени распечатать схему или показать ее без каких-либо проблем, но когда вы пытаетесь что-либо сделать с этими столбцами (например, проверьте, не являются ли они пустыми), тогда она перестает жаловаться на то, что [столбец] не находится в схеме (проверен с Spark 2.0.2). – marios
@marios Как вы это проверите? Вы используете вход JSON? – zero323