【Pyspark-驯化】一文搞懂Pyspark中对json数据处理使用技巧：get_json_object

【Pyspark-驯化】一文搞懂Pyspark中对json数据处理使用技巧：get_json_object
 
本次修炼方法请往下查看

欢迎莅临我的个人主页 这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
相关内容文档获取 微信公众号
相关内容视频讲解 B站

博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。

技术专长： 在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。

博客风采： 积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

下滑查看解决方法

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

  

1.基本介绍

  在处理存储为JSON格式的列时，我们经常需要从嵌套结构中提取特定字段。PySpark提供了get_json_object函数，它可以从JSON字符串中提取出特定的值。这个函数对于处理具有复杂JSON结构的DataFrame非常有用。

2. 代码用法

2.1 初始化spark环境

  对于pyspark来讲，常用的就是sparkcontext类，一般都是先启动一个这样的程序才可以进行相应的操作，而SparkSession可以在不创建SparkConf，SparkContext或SQLContext的情况下创建SparkSession（它们封装在SparkSession中）， 这个sparksession就是用来调取dataframe相关操作的类，具体的操作如下：

    # 一般在进行spark-submit的.py文件在初始化的时候，需要创建spark对象，具体如下
    from pyspark import SparkConf
    from pyspark import SparkContext
    from pyspark.sql import SparkSession
    from pyspark.sql import SQLContext
    from pyspark.sql import Row
    from pyspark.sql.types import StructType
    from pyspark.sql.types import StructField
    from pyspark.sql.types import StringType
    from pyspark.sql import functions as fn
    from pyspark.sql import types as T
    sc_conf = SparkConf().setAppName('b2b_fraud_data')
    spark = SparkSession.builder.config(conf=sc_conf).enableHiveSupport().getOrCreate()

• 而对于上述的两个class来说，经常对创建相关的临时表，createOrReplaceTempView：创建临时视图，此视图的生命周期与用于创建此数据集的[SparkSession]相关联。
  createGlobalTempView：创建全局临时视图，此时图的生命周期与Spark Application绑定。如果想要删除的话就得使用spark.catalog.dropGlobalTempView(“tempViewName”)

2.2 创建包含JSON的DataFrame

  为了更加方便的了解解析的过程，我们创建相关的json数据格式来进行解析，具体的代码如下所示：

from pyspark.sql import Row

# 创建一个包含JSON数据的DataFrame
data = [Row(id=1, features='{"choices":[{"message":{"content":"Hello World"}}]}'),
        Row(id=2, features='{"choices":[{"message":{"content":"Welcome to PySpark"}}]}')]

df = spark.createDataFrame(data)
df.show(truncate=False)
df2 = spark.createDataFrame(data2)

+---+------------------------------------------------------+
| id|features                                             |
+---+------------------------------------------------------+
|1  |{"choices":[{"message":{"content":"Hello World"}}]}   |
|2  |{"choices":[{"message":{"content":"Welcome to PySpark"}}]}|

2.3 使用get_json_object提取数据

  使用get_json_object提取features列中的content字段，具体的代码如下所示：

# 使用get_json_object提取features列中的content字段
df_with_content = df.withColumn("content", get_json_object(df.features, "$.choices[0].message.content"))

# 显示结果
df_with_content.show(truncate=False)

+---+------------------------------------------------------+------------+
| id|features                                             |content     |
+---+------------------------------------------------------+------------+
|1  |{"choices":[{"message":{"content":"Hello World"}}]}   |Hello World |
|2  |{"choices":[{"message":{"content":"Welcome to PySpark"}}]}|Welcome to PySpark|

3. 高级用法

3.1 提取多个字段

  我假设我们需要同时提取多个字段，具体的代码如下所示：

# 假设我们需要同时提取多个字段
df_with_multiple_fields = df.withColumn("content", get_json_object(df.features, "$.choices[0].message.content")) \
                              .withColumn("message_type", get_json_object(df.features, "$.choices[0].message.type"))

# 显示结果
df_with_multiple_fields.show(truncate=False)

4. 注意事项

• get_json_object函数接受两个参数：DataFrame中的列名和JSON路径。
• JSON路径使用美元符号$开头，后面跟随字段路径，例如$.choices[0].message.content。
• 如果JSON数据结构不匹配或路径错误，将返回null。

5. 总结

  get_json_object函数是PySpark中处理嵌套JSON数据的有用工具。通过本博客的代码示例，我们学习了如何使用这个函数从复杂的JSON结构中提取所需的字段。希望这篇博客能够帮助你更好地理解get_json_object的用法，并将其应用于处理JSON数据的任务中。