问题导读 1.spark2 sql如何读取json文件? 2.spark2读取json格式文件有什么要求? 3.spark2是如何处理对于带有表名信息的json文件的? spark有多个数据源,json是其中一种。那么对于json格式的数据,spark在操作的过程中,可能会遇到哪些问题? 这里首先我们需要对json格式的数据有一定的了解。 json数据有两种格式: 1.对象表示 2.数组表示 二者也有嵌套形式。 比如我们创建一个个人信息的json。
[Plain Text] 纯文本查看 复制代码
?
{ "people": [
{
"name": "aboutyun",
"age": "4"
},
{
"name": "baidu",
"age": "5"
}
]
}
上面是一个比较常见的json。信息我们大致也能看出来:people表示的是表名,后面的内容为表的内容,包含了姓名和年龄。然而我们在使用spark读取的时候却遇到点小问题。上面内容保存为文件people.json,然后上传到hdfs的跟路径,进入spark-shell,读取json文件
[Scala] 纯文本查看 复制代码
?
val peopleDF=spark.read.json("/people.json")
打印schema
[Bash shell] 纯文本查看 复制代码
?
peopleDF.printSchema
这时候我们看到people并不是表名,而age和name也非列明。我们通过
[Scala] 纯文本查看 复制代码
?
peopleDF.show
展示列名
也就是说我们如果带有"people"格式的信息,DataFrame就会被认为是列名。个人认为这是spark不太好的地方,应该可以改进。这里也可以自动读取为表名或则忽略,而不是默认为一个字段名称。 既然目前spark是这么做,那么我们该如何做,才能让spark正确的读取? 我们来尝试下面格式的json文件
[Plain Text] 纯文本查看 复制代码
?
[
{
"name": "aboutyun",
"age": "4"
},
{
"name": "baidu",
"age": "5"
}
]
操作是同样的方式
[Scala] 纯文本查看 复制代码
?
val peopleDF=spark.read.json("/people.json")
[Bash shell] 纯文本查看 复制代码
?
peopleDF.printSchema
接着我们来打印数据
[Scala] 纯文本查看 复制代码
?
peopleDF.show
这时候我们看到它能正确的显示数据了。 从上面我们看出spark对于json文件,不是什么格式都是可以的,需要做一定的修改,才能正确读取,相信以后spark会有所改进。