Pyspark 文本文件 json 带缩进

Question

Wanne 读取了一个 json 文件并在 RDD 中进行了缩进，但是 spark 然后抛出了一个异常。

# txts = sc.textFile('data/jsons_without_indentation') # works
txts = sc.textFile('data/jsons_with_indentation')      # fails
txts_dicts = txts.map(lambda data: json.loads(data))
txts_dicts.collect()

sc.wholeTextFiles 也不行。是否可以加载带有缩进的 json 而无需先将其转换为文件？

示例 json 文件如下所示：

{
    "data": {
        "text": {
            "de": "Ein Text.",
            "en": "A text."
        }
    }
}

Answer 1

如果这只是每个文件一个 JSON 文档，则您只需要 SparkContext.wholeTextFiles。首先让我们创建一些虚拟数据：

import tempfile
import json 

input_dir = tempfile.mkdtemp()

docs = [
    {'data': {'text': {'de': 'Ein Text.', 'en': 'A text.'}}},
    {'data': {'text': {'de': 'Ein Bahnhof.', 'en': 'A railway station.'}}},
    {'data': {'text': {'de': 'Ein Hund.', 'en': 'A dog.'}}}]

for doc in docs:
    with open(tempfile.mktemp(suffix="json", dir=input_dir), "w") as fw:
        json.dump(doc, fw, indent=4)

现在让我们读取数据：

rdd = sc.wholeTextFiles(input_dir).values()

并确保文件确实缩进：

print rdd.top(1)[0]

## {
##     "data": {
##         "text": {
##             "de": "Ein Text.", 
##             "en": "A text."
##         }
##     }
## }

终于可以解析了：

parsed = rdd.map(json.loads)

并检查是否一切正常：

parsed.takeOrdered(3)

## [{u'data': {u'text': {u'de': u'Ein Bahnhof.', u'en': u'A railway station.'}}},
##  {u'data': {u'text': {u'de': u'Ein Hund.', u'en': u'A dog.'}}},
##  {u'data': {u'text': {u'de': u'Ein Text.', u'en': u'A text.'}}}]

如果您仍然遇到一些问题，很可能是由于某些格式不正确的条目。您可以做的最简单的事情是使用 flatMap 和自定义包装器丢弃格式错误的条目：

rdd_malformed = sc.parallelize(["{u'data': {u'text': {u'de':"]).union(rdd)

## org.apache.spark.api.python.PythonException: Traceback (most recent call ...
##     ...
## ValueError: Expecting property name: line 1 column 2 (char 1)

并使用 try_seq 包装（此处定义：What is the equivalent to scala.util.Try in pyspark?）

rdd_malformed.flatMap(lambda x: seq_try(json.loads, x)).collect()

## [{u'data': {u'text': {u'de': u'Ein Hund.', u'en': u'A dog.'}}},
##  {u'data': {u'text': {u'de': u'Ein Text.', u'en': u'A text.'}}},
##  {u'data': {u'text': {u'de': u'Ein Bahnhof.', u'en': u'A railway station.'}}}]

Pyspark 文本文件 json 带缩进

Pyspark textFile json with indentation

python

json

apache-spark

pyspark