时间戳

首页 > 解决方案 > Databricks - Pyspark - 使用动态键处理嵌套 json

python - Databricks - Pyspark - 使用动态键处理嵌套 json

问题描述

我有一个示例 json 数据文件，它具有以下结构：

{
    "Header": {
        "Code1": "abc",
        "Code2": "def",
        "Code3": "ghi",
        "Code4": "jkl",
    },
    "TimeSeries": {
        "2020-11-25T03:00:00+00:00": {
            "UnitPrice": 1000,
            "Amount": 10000,

        },
        "2020-11-26T03:00:00+00:00": {
            "UnitPrice": 1000,
            "Amount": 10000,

        }
    }
}

当我使用命令将其解析为数据块时：

df = spark.read.json("/FileStore/test.txt")

我得到输出 2 个对象：Header 和 TimeSeries。使用 TimeSeries，我希望能够展平结构，使其具有以下架构：

Date
UnitPrice
Amount

由于日期字段是一个键，我目前只能通过遍历列名然后在点符号中动态地使用它来访问它：

def flatten_json(data):


  columnlist = data.select("TimeSeries.*")
  count = 0 
  for name in data.select("TimeSeries.*"):
    df1 = data.select("Header.*").withColumn(("Timeseries"), lit(columnlist.columns[count])).withColumn("join", lit("a"))
    df2 = data.select("TimeSeries." + columnlist.columns[count] + ".*").withColumn("join", lit("a"))
    if count == 0: 
      df3 = df1.join(df2, on=['join'], how="inner")
    else: 
      df3 = df3.union(df1.join(df2, on=['join'], how="inner"))
    count = count + 1
  return(df3)

这远非理想。有谁知道创建所描述数据框的更好方法？

标签： pythonjsonpysparkdatabricks

解决方案

想法：

  • 第 1 步：分别提取 Header 和 TimeSeries。

  • 第 2 步：对于 TimeSeries 对象中的每个字段，提取AmountandUnitPrice与字段的 一起，将name它们填充到结构中。

  • 第 3 步：将所有这些结构合并到一个数组列中，并将其分解。

  • 第 4 步：从展开的列中提取Timeseries,Amount和。UnitPrice

  • 第 5 步：与标题行交叉连接。

import pyspark.sql.functions as F

header_df = df.select("Header.*")
timeseries_df = df.select("TimeSeries.*")
fieldNames = enumerate(timeseries_df.schema.fieldNames())
cols = [F.struct(F.lit(name).alias("Timeseries"), col(name).getItem("Amount").alias("Amount"), col(name).getItem("UnitPrice").alias("UnitPrice")).alias("ts_" + str(idx)) for idx, name in fieldNames]
combined = explode(array(cols)).alias("comb")
timeseries = timeseries_df.select(combined).select('comb.Timeseries', 'comb.Amount', 'comb.UnitPrice')
result = header_df.crossJoin(timeseries)
result.show(truncate = False)

输出：

+-----+-----+-----+-----+-------------------------+------+---------+
|Code1|Code2|Code3|Code4|Timeseries               |Amount|UnitPrice|
+-----+-----+-----+-----+-------------------------+------+---------+
|abc  |def  |ghi  |jkl  |2020-11-25T03:00:00+00:00|10000 |1000     |
|abc  |def  |ghi  |jkl  |2020-11-26T03:00:00+00:00|10000 |1000     |
+-----+-----+-----+-----+-------------------------+------+---------+

推荐阅读