如何解析 pyspark 的 DataStreamReader 中的 json 字符串列并创建数据框

Question

我正在阅读来自 kafka 主题的消息

messageDFRaw = spark.readStream\
                    .format("kafka")\
                    .option("kafka.bootstrap.servers", "localhost:9092")\
                    .option("subscribe", "test-message")\
                    .load()

messageDF = messageDFRaw.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING) as dict")

当我从上述查询中打印数据框时，我得到以下控制台输出。

|key|dict|
|#badbunny |{"channel": "#badbunny", "username": "mgat22", "message": "cool"}|

如何从 DataStreamReader 创建一个数据框，以便我有一个列为 |key|channel| username| message|

的数据框

我尝试遵循

中接受的答案

struct = StructType([
    StructField("channel", StringType()),
    StructField("username", StringType()),
    StructField("message", StringType()),
])

messageDFRaw.select(from_json("CAST(value AS STRING)", struct))

但是，我在 from_json()

中得到了 Expected type 'StructField', got 'StructType' instead

Answer 1

我忽略了 from_json() 中的警告 Expected type 'StructField', got 'StructType' instead。

但是，我必须先从 kafka 消息中转换值，然后再解析 json 模式。

messageDF = messageDFRaw.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")

messageParsedDF = messageDF.select(from_json("value", struct_schema).alias("message"))

messageFlattenedDF = messageParsedDF.selectExpr("value.channel", "value.username", "value.message")