PySpark，通过JSON文件导入架构

PySpark，通过JSON文件导入架构

当我想要元素与json中出现的顺序相同时，为什么对架构元素进行排序。

因为不能保证字段顺序。尽管没有明确说明，但是当您看一下JSON阅读器doctstring中提供的示例时，它就会变得很明显。如果您需要特定的订购，则可以手动提供架构：

from pyspark.sql.types import StructType, StructField, StringTypeschema = StructType([    StructField("TICKET", StringType(), True),    StructField("TRANFERRED", StringType(), True),    StructField("ACCOUNT", StringType(), True),])df2 = sqlContext.read.json("tbschema.json", schema)df2.printSchema()root |-- TICKET: string (nullable = true) |-- TRANFERRED: string (nullable = true) |-- ACCOUNT: string (nullable = true)

派生json后，数据类型整数已转换为StringType，我该如何保留数据类型。

JSON字段的数据类型

TICKET

为字符串，因此JSON阅读器返回字符串。它是JSON阅读器，而不是某种形式的阅读器。

通常来说，您应该考虑现成的架构支持随附的某种适当格式，例如Parquet，Avro或Protocol
Buffers
。但是，如果您真的想使用JSON，则可以这样定义可怜人的“模式”解析器：

from collections import OrderedDict import jsonwith open("./tbschema.json") as fr:    ds = fr.read()items = (json  .JSonDeprer(object_pairs_hook=OrderedDict)  .depre(ds)[0].items())mapping = {"string": StringType, "integer": IntegerType, ...}schema = StructType([    StructField(k, mapping.get(v.lower())(), True) for (k, v) in items])

JSON的问题在于，对于字段的排序确实没有任何保证，更不用说处理丢失的字段，类型不一致等了。因此，使用上述解决方案实际上取决于您对数据的信任程度。