由于 False 作为条目，pyspark 中 json 文件的损坏记录

Question

我有一个 json 文件，如下所示：

test= {'kpiData': [{'date': '2020-06-03 10:05',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:10',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:15',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,
   'c': True},
  {'date': '2020-06-03 10:20',
   'a': 'MINIMUMINTERVAL',
   'b': 0.0,}
]}

我想将其传输到数据框对象，如下所示：

rdd = sc.parallelize([test])
jsonDF = spark.read.json(rdd)

这会导致记录损坏。根据我的理解，原因是 True 和 False 不能作为 Python 中的条目。所以我需要在 spark.read.json() 之前转换这些条目（为 TRUE、true 或“True”）。 test 是一个字典，而 rdd 是一个 pyspark.rdd.RDD 对象。对于 datframe 对象，转换非常简单，但我没有找到这些对象的解决方案。

Answer 1

spark.read.json 期望 JSON 字符串的 RDD，而不是 Python 字典的 RDD。如果您将字典转换为 JSON 字符串，您应该能够将其读入数据帧：

import json

df = spark.read.json(sc.parallelize([json.dumps(test)]))

另一种可能的方法是使用 spark.createDataFrame:

来阅读字典

df = spark.createDataFrame([test])

这将使用映射而不是结构提供不同的模式。

由于 False 作为条目，pyspark 中 json 文件的损坏记录

corrupted record from json file in pyspark due to False as entry

json

apache-spark

rdd

apache-spark-sql

pyspark