数组中第 n 项的 SparkSQL sql 语法

Question

我有一个 json 对象，它具有嵌套和数组的不幸组合。因此，如何使用 spark sql.

查询它并不完全明显

这是一个示例对象：

{
  stuff: [
    {a:1,b:2,c:3}
  ]
}

所以，在 javascript 中，要获得 c 的值，我会写 myData.stuff[0].c

并且在我的 spark sql 查询中，如果该数组不存在，我将能够使用点表示法：

SELECT stuff.c FROM blah

但我不能，因为最里面的对象被包裹在一个数组中。

我试过：

SELECT stuff.0.c FROM blah // FAIL
SELECT stuff.[0].c FROM blah // FAIL

那么，select 该数据的神奇方法是什么？或者甚至还支持吗？

Answer 1

不清楚你所说的 JSON object 是什么意思，所以让我们考虑两种不同的情况：

结构数组

import tempfile    

path = tempfile.mktemp()
with open(path, "w") as fw: 
    fw.write('''{"stuff": [{"a": 1, "b": 2, "c": 3}]}''')
df = sqlContext.read.json(path)
df.registerTempTable("df")

df.printSchema()
## root
##  |-- stuff: array (nullable = true)
##  |    |-- element: struct (containsNull = true)
##  |    |    |-- a: long (nullable = true)
##  |    |    |-- b: long (nullable = true)
##  |    |    |-- c: long (nullable = true)

sqlContext.sql("SELECT stuff[0].a FROM df").show()

## +---+
## |_c0|
## +---+
## |  1|
## +---+

一组地图

# Note: schema inference from dictionaries has been deprecated
# don't use this in practice
df = sc.parallelize([{"stuff": [{"a": 1, "b": 2, "c": 3}]}]).toDF()
df.registerTempTable("df")

df.printSchema()
## root
##  |-- stuff: array (nullable = true)
##  |    |-- element: map (containsNull = true)
##  |    |    |-- key: string
##  |    |    |-- value: long (valueContainsNull = true)

sqlContext.sql("SELECT stuff[0]['a'] FROM df").show()
## +---+
## |_c0|
## +---+
## |  1|
## +---+

另见

数组中第 n 项的 SparkSQL sql 语法

SparkSQL sql syntax for nth item in array

python

apache-spark

apache-spark-sql

pyspark