Spark - Parse JSON-Datei, die zusätzlichen Text enthält

Question

Meine JSON-Datei hat viele Zeilen und jede Zeile sieht so aus.

Mon Jan 20 00:00:00 -0800 2014, {"cl":"js","ua":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.77 Safari/537.36","ip":"76.4.253.137","cc":"US","rg":"NV","ct":"North Las Vegas","pc":"89084","mc":839,"bf":"402d6c3bdd18e5b5f6541a98a01ecc47d698420d","vst":"0e1c96ff-1f4a-4279-bfdc-ba3fe51c2a4e","lt":"Sun Jan 19 23:59:59 -0800 2014","hk":["memba","alyson stoner","memba them","member them","member them 80s","missy elliotts","www.tmzmembathem","80s memba then","missy elliott","mini"]}, 

/zusätzlicher Platz zum Zweck der Klarheit/

{"v":"1.1","pv":"7963ee21-0d09-4924-b315-ced4adad425f","r":"v3","t":"tmzdtcom","a":[{"i":15,"u":"ll-media.tmz.com/2012/10/03/100312-alyson-stoner-then-480w.jpg","w":523,"h":480,"x":503,"y":651,"lt":"none","af":false}],"rf":"http://www.zergnet.com/news/128786/stars-whove-changed-a-lot-since-you-last-saw-them","p":"www.tmz.com/photos/2007/12/20/740-memba-them/images/2012/10/03/100312-alyson-stoner-then-jpg/","fs":true,"tr":0.7,"ac":{},"vp":{"ii":false,"w":1915,"h":1102},"sc":{"w":1920,"h":1200,"d":1},"pid":239,"vid":1,"ss":"0.5"} 

versuchte ich folgende:

Methode 1:

val value1 = sc.textFile(filename).map(_.substring(32)) 

val df = sqlContext.read.json(value1) 

Hier versuche ich, den Text weglassen w hich ist am Anfang der Zeile. In diesem Fall bekomme ich nur das erste Json-Objekt von jeder Zeile.

Das heißt:

{"cl":"js","ua":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.77 Safari/537.36","ip":"76.4.253.137","cc":"US","rg":"NV","ct":"North Las Vegas","pc":"89084","mc":839,"bf":"402d6c3bdd18e5b5f6541a98a01ecc47d698420d","vst":"0e1c96ff-1f4a-4279-bfdc-ba3fe51c2a4e","lt":"Sun Jan 19 23:59:59 -0800 2014","hk":["memba","alyson stoner","memba them","member them","member them 80s","missy elliotts","www.tmzmembathem","80s memba then","missy elliott","mini"]} 

Methode 2:

val df = sqlContext.read.json(sc.wholeTextFiles(filename).values) 

In diesem Fall erhalte ich nur die Ausgabe als korrupt Rekord.

Können Sie mir bitte sagen, was ist das Problem hier und wie diese Art von Datei zu analysieren?

Answer 1

Ihre sqlContext.read.json funktioniert nur mit vollständigen JSON-Einträgen, die Zeile für Zeile in einer Datei statt erweitert oder "hübsch gedruckt" angezeigt werden. Am besten ist es, dies zu tun:

val jsonRDD = sparkContext.wholeTextFiles(fileName).map(_._2) 

angegeben Wie in den documentation, wholeTextFiles kehrt RDD[(String, String)], wo der erste Eintrag in jeder Tuple2 ist der Dateiname und der zweite ist der Inhalt. Nur die Sekunde ist was Sie interessieren, also greifen Sie auf den Inhalt mit ._2 zu.

Dann können Sie die RDD einen DataFrame umwandeln und anwenden to_json auf den Inhalt, wie here:

val jsonDF = sparkContext 
    .wholeTextFiles(fileName) 
    .map(_._2) 
    .toDF("json") 
    .select(to_json('json))