Spark处理Json格式数据（Python）

前言

Spark能够自动推断出Json数据集的“数据模式”（Schema），并将它加载为一个SchemaRDD实例。这种“自动”的行为是通过下述两种方法实现的：

jsonFile：从一个文件目录中加载数据，这个目录中的文件的每一行均为一个JSON字符串（如果JSON字符串“跨行”，则可能导致解析错误）；

jsonRDD：从一个已经存在的RDD中加载数据，这个RDD中的每一个元素均为一个JSON字符串；

这里我们仅讨论jsonFile的场景，jsonRDD处理方法类似。

典型示例

JSON的数据模式是非常灵活的，我们例举常见的几种可能性进行讨论。

（1）JSON文件中的数据模式一致，每一行的数据均为JSON字符串（非JSON数组）

假设数据模式包含三个属性：id、name、birthdate，测试数据如下所示：

Python测试代码如下：

在终端上执行可以看到有两部分输出：

可以看到数据模式一致的情况下，数据模式被正确推断，数据被正确解析。

（2）JSON文件中的数据模式一致，每一行的数据均为JSON数组字符串

假设数据模式包含三个属性：id、name、birthdate，测试数据如下所示：

Python测试代码同上，在终端上执行可以看到有两部分输出：

可以看到数据数据模式被正确推断，JSON数组中的“多个”对象数据被正确解析，解析结果共有三行。

（3）JSON文件中的数据模式一致，但每一行数据以两种形式出现：JSON字符串（非数组）、JSON数组字符串

假设数据模式包含三个属性：id、name、birthdate，测试数据如下所示：

其中第一行为JSON数组字符串，包含有两个JSON对象；第二行为JSON字符串，表示一个JSON对象。

Python测试代码同上，在终端上执行可以看到有两部分输出：

可以看到数据行混搭的情况下（同时包含JSON字符串（非数组）和JSON数组字符串），数据数据模式被正确推断，数据被正确解析。

（4）JSON文件中的数据模式不一致

假设数据模式有以下两种情况：

模式一：id、name、birthdate

模式二：id、name、birthdate、weight

测试数据如下所示：

其中第一行数据为JSON数组字符串，数据模式为模式一；第二行数据为JSON字符串（非数组），数据模式为模式二。

Python测试代码同上，在终端上执行可以看到有两部分输出：

可以看到数据模式被推断为模式二，数据也是按照模式二被解析；模式二相对于模式一多出一个属性“weight”，如果数据匹配模式一，则属性“weigth”的值以“None”的形式出现。

数据模式不一致还有一种比较复杂的情况：模式交错，如下：

模式一：id、name、birthdate、height

模式二：id、name、birthdate、weight

测试数据如下所示：

Python测试代码同上，在终端上执行可以看到有两部分输出：

可以看出数据模式被推断为模式一与模式二的并集，缺失的属性以“None”的形式出现。

结论：数据模式不一致时，推断模式为多个数据模式的并集。

（5）JSON文件中的数据模式不一致，且数据模式存在类型多样以及嵌套的情况；

模式一：id、name、birthdate、msg、extras

模式二：id、name、birthdate、weight

测试数据如下所示：

第一行是一个JSON数组字符串，包含两个JSON字符串，每个JSON字符串的属性msg是一个JSON字符串，属性extras是一个JSON数组字符串。

Python测试代码同上，在终端上执行可以看到有两部分输出：

可以看出数据模式被推断为模式一与模式二的并集，其中msg被解析为struct类型，extras被解析为array类型（元素类型为struct），缺失的属性以“None”的形式出现。

如果我们需要处理的JSON数据的模式是不一致的（对象属性不一致），我们在代码逻辑中如何进行判断呢？以（5）中的测试数据为例，属性 weight并不是出现在所有数据行中，为了避免运行时抛出异常，需要根据是否包含属性weight作出不同的处理，这时就需要用到Python内建函数 hasattr，如下：

代码中函数handle的作用：如果对象row含有属性weight，则返回对应的属性值；否则返回“no value”。而判断row是否含有属性“weight”是使用函数hasattr实现的。

通过上述的几个示例我们可以发现Spark可以正确应对常见的JSON日志格式，但我们在充分利用JSON特性的同时（日志属性灵活扩展、JSON处理方式统一），也应该考虑合理设计JSON日志数据模式，避免数据模式不一致或数据模式复杂给数据分析带来的不便。

jsonFile相当于是Spark提供给我们的便利工具，省去了我们自己解析JSON数据的麻烦，但也可能会出现工具失效的情况，大部分原因来自于数据格式不统一或不规范，此时我们就得自己解析JSON数据。

Python自带了一个操作JSON数据的库“json”，我们会经常使用到两个方法：

dumps：用于JSON对象序列化，即JSON对象 —> JSON字符串

loads：用于JSON字符串反序列化，即JSON字符串 —> JSON对象

方法使用示例如下所示：

解决了JSON数据的序列化与反序列化的问题后，还需要考虑一个情况：

数据分析时多数需要处理的都是文本数据，我们将一行文本（字符串）反序列化为一个JSON对象后，我们如何判断这个对象是一个普通JSON对象，还是一个JSON数组？特别是我们需要根据不同的数据类型进行不同的处理时，这种数据类型的判断就不可避免。

此时我们就需要用到Python的内建函数：isinstance，如下所示：

在终端执行上述代码，可得结果：

可以看出JSON数组对象的类型为“list”，而普通JSON对象的类型为“dict”。

总结

Spark在处理JSON数据时通常可以直接使用jsonFile，如果数据格式不统一、不规范或者我们需要更为灵活的数据处理方式时，则可以将文本数据以字符串的形式按行读入，然后使用Python JSON相关库、内建函数自行解析JSON数据。