Spark SQL数据源：JSON数据集

---

一、读取JSON文件简介

Spark SQL可以自动推断JSON文件的Schema，并将其加载为DataFrame。在加载和写入JSON文件时，除了可以使用load()方法和save()方法外，还可以直接使用Spark SQL内置的json()方法。该方法不仅可以读写JSON文件，还可以将Dataset[String]类型的数据集转为DataFrame。

需要注意的是，要想成功地将一个JSON文件加载为DataFrame，JSON文件的每一行必须包含一个独立有效的JSON对象，而不能将一个JSON对象分散在多行。

二、读取JSON文件案例演示

（一）创建JSON文件并上传到HDFS

创建user.json文件

{"name": "张三", "gender": "女", "age": 18}
{"name": "李四", "gender": "男", "age": 35}
{"name": "王五", "gender": "女", "age": 24}

上传到HDFS的/input目录

创建score.json文件

{"name": "张三", "score": 98}
{"name": "李四", "score": 88}
{"name": "王五", "score": 91}

上传到HDFS的/input目录

（二）读取JSON文件，创建临时表，进行关联查询

1、读取user.json文件，创建临时表t_user

执行命令：val userdf = spark.read.json(“hdfs://master:9000/input/user.json”)

查看用户数据帧的内容，执行命令：userdf.show()

创建临时表t_user，执行命令：userdf.createTempView(“t_user”)

2、读取score.json文件，创建临时表t_score

执行命令：val scoredf = spark.read.json(“hdfs://master:9000/input/score.json”)

查看成绩数据帧的内容，执行命令：scoredf.show()

创建临时表t_score，执行命令：scoredf.createTempView(“t_score”)

3、关联查询生成新的数据帧

执行命令：val resultdf = spark.sql(“select u.name, u.age, s.score from t_user u inner join t_score s on u.name = s.name”)

查看结果数据帧的内容，执行命令：resultdf.show()

（三）利用json()方法将数据集转成数据帧

1、在Spark Shell里交互式完成任务

创建用户数组：执行命令：val userarr = Array(“{‘name’: ‘Mike’, ‘age’: 18}”, “{‘name’: ‘Alice’, ‘age’: 30}”, “{‘name’: ‘Brown’, ‘age’: 38}”)

基于用户数组创建用户数据集，执行命令：val userds = spark.createDataset(userarr)

将用户数据集转成用户数据帧，执行命令：val userdf = spark.read.json(userds.rdd)（注意要将数据集转成RDD才能作为json()方法的参数）

显示用户数据帧的内容，执行命令：userdf.show()

2、在IDEA里编写Scala程序完成任务

创建Dataset2DataFrame单例对象

package net.army.sql.day01

import org.apache.spark.sql.{Dataset, SparkSession}

/**
 * 功能：利用json()方法将数据集转成数据帧
 * 日期：2023年06月14日
 * 作者：梁辰兴
 */
object Dataset2DataFrame {
  def main(args: Array[String]): Unit = {
    // 设置HADOOP用户名属性，否则本地运行访问会被拒绝
    System.setProperty("HADOOP_USER_NAME", "root")

    // 创建或得到SparkSession
    val spark = SparkSession.builder()
      .appName("SparkSQLDataSource")
      .master("local[*]")
      .getOrCreate()

    // 导入隐式转换
    import spark.implicits._
    // 创建用户数组
    val userarr = Array("{'name': 'Mike', 'age': 18}",
      "{'name': 'Alice', 'age': 30}",
      "{'name': 'Brown', 'age': 38}")
    // 基于用户数组创建用户数据集
    val userds: Dataset[String] = spark.createDataset(userarr)
    // 将用户数据集转成用户数据帧
    val userdf = spark.read.json(userds.rdd)
    // 显示用户数据帧内容
    userdf.show()
  }
}

运行程序，查看结果