PySpark，通过 JSON 文件导入模式

Question

tbschema.json 看起来像这样：

[{"TICKET":"integer","TRANFERRED":"string","ACCOUNT":"STRING"}]

我使用以下代码加载它

>>> df2 = sqlContext.jsonFile("tbschema.json")
>>> f2.schema
StructType(List(StructField(ACCOUNT,StringType,true),
    StructField(TICKET,StringType,true),StructField(TRANFERRED,StringType,true)))
>>> df2.printSchema()
root
 |-- ACCOUNT: string (nullable = true)
 |-- TICKET: string (nullable = true)
 |-- TRANFERRED: string (nullable = true)

1. 当我希望元素按照它们在 JSON 中出现的顺序时，为什么要对架构元素进行排序。

2. 数据类型integer在导出JSON后转换为StringType，如何保留数据类型。

Answer 1

当我希望元素按照它们在 json 中出现的顺序时，为什么要对架构元素进行排序。

因为不能保证字段的顺序。虽然没有明确说明，但当您查看 JSON 阅读器文档字符串中提供的示例时，它会变得很明显。如果您需要特定的顺序，您可以手动提供架构：

from pyspark.sql.types import StructType, StructField, StringType

schema = StructType([
    StructField("TICKET", StringType(), True),
    StructField("TRANFERRED", StringType(), True),
    StructField("ACCOUNT", StringType(), True),
])
df2 = sqlContext.read.json("tbschema.json", schema)
df2.printSchema()

root
 |-- TICKET: string (nullable = true)
 |-- TRANFERRED: string (nullable = true)
 |-- ACCOUNT: string (nullable = true)

json导出后数据类型integer转成StringType了，如何保留数据类型。

JSON 字段 TICKET 的数据类型是字符串，因此 JSON 读取器返回字符串。它是 JSON 阅读器，而不是某种模式阅读器。

一般来说，您应该考虑一些适当的格式，这些格式支持开箱即用，例如Parquet、Avro 或Protocol Buffers。但如果你真的想玩 JSON，你可以像这样定义穷人的“模式”解析器：

from collections import OrderedDict 
import json

with open("./tbschema.json") as fr:
    ds = fr.read()

items = (json
  .JSONDecoder(object_pairs_hook=OrderedDict)
  .decode(ds)[0].items())

mapping = {"string": StringType, "integer": IntegerType, ...}

schema = StructType([
    StructField(k, mapping.get(v.lower())(), True) for (k, v) in items])

JSON 的问题在于，对于字段排序确实没有任何保证，更不用说处理丢失的字段、不一致的类型等等。因此，使用上述解决方案实际上取决于您对数据的信任程度。

您也可以使用built-in schema import / export utilities。