由于 False 作为条目，pyspark 中 json 文件中的记录已损坏

问题描述

我有一个看起来像这样的 json 文件：

test= {'kpiData': [{'date': '2020-06-03 10:05','a': 'MINIMUMINTERVAL','b': 0.0,'c': True},{'date': '2020-06-03 10:10',{'date': '2020-06-03 10:15',{'date': '2020-06-03 10:20',}
]}

我想将它传输到数据帧对象，如下所示：

rdd = sc.parallelize([test])
jsonDF = spark.read.json(rdd)

这会导致记录损坏。根据我的理解，原因是 True 和 False 不能是 Python 中的条目。所以我需要在 spark.read.json() 之前转换这些条目（为真、真或“真”）。 test 是一个字典，rdd 是一个 pyspark.rdd.RDD 对象。对于 datframe 对象，转换非常直接，但我没有找到这些对象的解决方案。

解决方法

spark.read.json 需要一个 JSON 字符串的 RDD，而不是 Python 字典的 RDD。如果您将字典转换为 JSON 字符串，您应该能够将其读入数据帧：

import json

df = spark.read.json(sc.parallelize([json.dumps(test)]))

另一种可能的方法是使用 spark.createDataFrame 在字典中阅读：

df = spark.createDataFrame([test])

这将使用映射而不是结构提供不同的模式。