如何解决处理CSV文件中的JSON对象并保存到PySpark DataFrame
我有一个CSV文件,其中包含JSON对象以及其他数据,例如String,Integer。 如果我尝试以CSV格式读取文件,则JSON对象在其他列中会重叠。
Column1,Column2,Column3,Column4,Column5
100,ABC,{"abc": [{"xyz": 0,"mno": "h"},{"apple": 0,"hello": 1,"temp": "cnot"}]},foo,pine
101,XYZ,{"xyz": [{"abc": 0,bar,apple
我得到的输出为:
Column1 | Column2 | Column3 | Column4 | Column5
100 | ABC | {"abc": [{"xyz": 0,"mno": "h"} | {"apple": 0,"hello": 1 | "temp": "cnot"}]}
101 | XYZ | {"xyz": [{"abc": 0,"mno": "h"} | {"xyz": [{"abc": 0,"mno": "h"} | "temp": "cnot"}]}
Test_File.py
from pyspark.sql import SQLContext
from pyspark.sql.types import *
# Initializing SparkSession and setting up the file source
filepath = "s3a://file.csv"
df = spark.read.format("csv").options(header="true",delimiter = ',',inferschema='true').load(filepath)
df.show(5)
还尝试通过按照this approach
中的文本形式读取文件来处理此问题'100,"{\'abc\':["{\'xyz\':0,\'mno\':\'h\'}","{\'apple\':0,\'hello\':1,\'temp\':\'cnot\’}”]}”,pine'
'101,"{\'xyz\':["{\'abc\':0,apple'
但是,我不想创建一个新文件,而是想将带引号的字符串作为PySpark DataFrame加载以在其上运行SQL查询,然后创建一个DataFrame,我需要再次拆分以将每一列分配给PySpark,这导致拆分JSON对象。
解决方法
问题与您使用的分隔符有关。您正在读取以逗号作为定界符的CSV,并且您的JSON字符串包含逗号。因此,Spark也在昏迷状态下拆分JSON字符串,因此获得了上述输出。您需要有一个带分隔符的CSV,该分隔符是唯一的,并且不会出现在任何一个列值中,以克服您的情况。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。