前言

介紹Spark SQL的JSON支持，這是我們在Databricks中開發(fā)的一個功能，可以在Spark中更容易查詢和創(chuàng)建JSON數(shù)據(jù)。隨著網(wǎng)絡(luò)和移動應(yīng)用程序的普及，JSON已經(jīng)成為Web服務(wù)API以及長期存儲的常用的交換格式。使用現(xiàn)有的工具，用戶通常會使用復(fù)雜的管道來在分析系統(tǒng)中讀取和寫入JSON數(shù)據(jù)集。在Apache Spark 1.1中發(fā)布Spark SQL的JSON支持，在Apache Spark 1.2中增強，極大地簡化了使用JSON數(shù)據(jù)的端到端體驗。

很多時候，比如用structure streaming消費kafka數(shù)據(jù)，默認可能是得到key,value字段，key是偏移量，value是一個byte數(shù)組。很可能value其實是一個Json字符串。這個時候我們該如何用SQL操作這個json里的東西呢？另外，如果我處理完的數(shù)據(jù)，我想寫入到kafka,但是我想把整條記錄作為json格式寫入到Kafka,又該怎么寫這個SQL呢？

get_json_object

第一個就是get_json_object，具體用法如下：

select get_json_object('{"k": "foo", "v": 1.0}','$.k') as k

需要給定get_json_object 一個json字段名（或者字符串），然后通過類似jsonPath的方式去拿具體的值。
這個方法其實有點麻煩，如果要提取里面的是個字段，我就要寫是個類似的東西，很復(fù)雜。

from_json

具體用法如下：

select a.k from (
select from_json('{"k": "foo", "v": 1.0}','k STRING, v STRING',map("","")) as a
)

這個方法可以給json定義一個Schema,這樣在使用時，就可以直接使用a.k這種方式了，會簡化很多。

to_json

該方法可以把對應(yīng)字段轉(zhuǎn)化為json字符串，比如：

select to_json(struct(*)) AS value

可以把所有字段轉(zhuǎn)化為json字符串，然后表示成value字段，接著你就可以把value字段寫入Kafka了。是不是很簡單。

處理具有大量字段的JSON數(shù)據(jù)集

JSON數(shù)據(jù)通常是半結(jié)構(gòu)化、非固定結(jié)構(gòu)的。將來，我們將擴展Spark SQL對JSON支持，以處理數(shù)據(jù)集中的每個對象可能具有相當不同的結(jié)構(gòu)的情況。例如，考慮使用JSON字段來保存表示HTTP標頭的鍵/值對的數(shù)據(jù)集。每個記錄可能會引入新的標題類型，并為每個記錄使用一個不同的列將產(chǎn)生一個非常寬的模式。我們計劃支持自動檢測這種情況，而是使用map類型。因此，每行可以包含Map，使得能夠查詢其鍵/值對。這樣，Spark SQL將處理具有更少結(jié)構(gòu)的JSON數(shù)據(jù)集，推動了基于SQL的系統(tǒng)可以處理的那種查詢的邊界。

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論