JSON разбор файлов в Pyspark

Question

Я очень новичок в Pyspark. Я попытался разобрать файл JSON, используя следующий код:

from pyspark.sql import SQLContext 
sqlContext = SQLContext(sc) 
df = sqlContext.read.json("file:///home/malwarehunter/Downloads/122116-path.json") 
df.printSchema() 

Выход следующий.

корня | - _corrupt_record: строка (обнуляемая = истина)

df.show() 

Выход выглядит следующим образом

+--------------------+ 
|  _corrupt_record| 
+--------------------+ 
|     {| 
| "time1":"2...| 
| "time2":"201...| 
| "step":0.5,| 
|   "xyz":[| 
|     {| 
|  "student":"00010...| 
|  "attr...| 
|  [ -2.52, ...| 
|  [ -2.3, -...| 
|  [ -1.97, ...| 
|  [ -1.27, ...| 
|  [ -1.03, ...| 
|  [ -0.8, -...| 
|  [ -0.13, ...| 
|  [ 0.09, -...| 
|  [ 0.54, -...| 
|  [ 1.1, -...| 
|  [ 1.34, 0...| 
|  [ 1.64, 0...| 
+--------------------+ 
only showing top 20 rows 

Json файл выглядит следующим образом.

{ 
    "time1":"2016-12-16T00:00:00.000", 

    "time2":"2016-12-16T23:59:59.000", 

    "step":0.5, 

    "xyz":[ 

    { 
    "student":"0001025D0007F5DB", 
     "attr":[ 
    [ -2.52, -1.17 ], 
    [ -2.3, -1.15 ], 
    [ -1.97, -1.19 ], 
    [ 10.16, 4.08 ], 
    [ 10.23, 4.87 ], 
    [ 9.96, 5.09 ] ] 
}, 
{ 
    "student":"0001025D0007F5DC", 
    "attr":[ 
    [ -2.58, -0.99 ], 
    [ 10.12, 3.89 ], 
    [ 10.27, 4.59 ], 
    [ 10.05, 5.02 ] ] 
} 
]} 

Не могли бы вы помочь мне разобрать это и создать Data Frame следующим образом.

Answer 1

Спарк> = 2,2:

Вы можете использовать multiLine аргумент для читателя JSON:

spark.read.json(path_to_input, multiLine=True) 

Спарк < 2,2

Существует почти Универ sal, но довольно дорогое решение, которое можно использовать для чтения многострочных файлов JSON:

• Прочитать данные, используя SparkContex.wholeTextFiles.
• Клавиши удаления (имена файлов).
• Передайте результат DataFrameReader.json.

Пока нет никаких других проблем, с вашими данными он должен сделать трюк:

spark.read.json(sc.wholeTextFiles(path_to_input).values())