将 JSON 文件读入 Spark 时出现 _corrupt_record 错误答案

【问题标题】：_corrupt_record error when reading a JSON file into Spark将 JSON 文件读入 Spark 时出现 _corrupt_record 错误
【发布时间】：2016-05-26 08:57:37
【问题描述】：

我有这个 JSON 文件

{
    "a": 1, 
    "b": 2
}

通过Python json.dump 方法获得。现在，我想使用 pyspark 将此文件读入 Spark 中的 DataFrame。按照文档，我正在这样做

sc = SparkContext()

sqlc = SQLContext(sc)

df = sqlc.read.json('my_file.json')

打印 df.show()

虽然打印语句吐出了这个：

+---------------+
|_corrupt_record|
+---------------+
|              {|
|       "a": 1, |
|         "b": 2|
|              }|
+---------------+

任何人都知道发生了什么以及为什么它没有正确解释文件？

【问题讨论】：

标签： python json dataframe pyspark

【解决方案1】：

如果您想保持 JSON 文件原样（不删除换行符 \n），请包含 multiLine=True 关键字参数

sc = SparkContext() 
sqlc = SQLContext(sc)

df = sqlc.read.json('my_file.json', multiLine=True)

print df.show()

【讨论】：

【解决方案2】：

您需要在输入文件中的每一行有一个 json 对象，请参阅http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrameReader.json

如果您的 json 文件看起来像这样，它将为您提供预期的数据帧：

{ "a": 1, "b": 2 }
{ "a": 3, "b": 4 }

....
df.show()
+---+---+
|  a|  b|
+---+---+
|  1|  2|
|  3|  4|
+---+---+

【讨论】：

如果我的 JSON 文件很大（有 100K 行）并且记录之间有很多新行（列或特征），我该如何解决？谢谢。
也许使用jq 重新格式化（压缩）文件？ @M.Rez
@ttimasdf 即使用jq -c 选项。

【解决方案3】：

在 Spark 2.2+ 中，您可以使用以下命令读取多行的 json 文件。

val dataframe = spark.read.option("multiline",true).json( " filePath ")

如果每行有json对象，则

val dataframe = spark.read.json(filepath)

【讨论】：

这是 scala，不是 python。

【解决方案4】：

添加到@Bernhard 的精彩回答

# original file was written with pretty-print inside a list
with open("pretty-printed.json") as jsonfile:
    js = json.load(jsonfile)      

# write a new file with one object per line
with open("flattened.json", 'a') as outfile:
    for d in js:
        json.dump(d, outfile)
        outfile.write('\n')

【讨论】：

【解决方案5】：

我想分享我的经验，我有一个 JSON 列 String 但使用 Python 表示法，这意味着我有 None 而不是 null、False 而不是 false 和 True 而不是 @ 987654326@.

解析此列时，spark 会返回一个名为 _corrupt_record 的列。所以在解析 JSON 字符串之前我必须做的是用标准 JSON 表示法替换 Python 表示法：

df.withColumn("json_notation",
    F.regexp_replace(F.regexp_replace(F.regexp_replace("_corrupt_record", "None", "null"), "False", "false") ,"True", "true")

经过此转换后，我可以在 json_notation 列上使用函数 F.from_json()，并且 Pyspark 能够正确解析 JSON 对象。

【讨论】：