pysparkを使用しています。Spark 2.1以降であれば、スキーマ定義を行った後にJsonファイルを読み込むことができます。
例1
test01.json
{
"_id":"2d3erf5",
"testNo":"0001",
"Date":"2017-09-01 00:00:00.00000"
}
test01.py
from pyspark.sql import SparkSession
from pyspark.sql.types import *
spark = SparkSession.builder.appName('Spark SQL and DataFrame').getOrCreate()
testColumn = StructType([
StructField('_id', StringType(), False),
StructField('testNo', IntegerType(), False),
StructField('Date', TimestampType(), False)
])
readFile = '/tmp/test01.json'
test_df = spark.read.json(readFile, schema=testColumn)
今回、ネストされているJsonファイルを読み込む必要があるのですが、どう記述すればよろしいのでしょうか?
例2
test02.json
{
"_id":"2d3erf5",
"testNo":"0001",
"test_date"{
"date_1":"2017-09-01 00:00:00.00000",
"date_2":"2017-09-05 03:00:00.00000"
}
}
以下のような感じに記述するのかなとは、思っていますが、どなたかご教授願います。
test02.py
from pyspark.sql import SparkSession
from pyspark.sql.types import *
spark = SparkSession.builder.appName('Spark SQL and DataFrame').getOrCreate()
testColumn = StructType([
StructField('_id', StringType(), False),
StructField('testNo', IntegerType(), False),
StructField('test_date.date_1', TimestampType(), False),
StructField('test_date.date_2', TimestampType(), False),
])
readFile = '/tmp/test02.json'
test_df = spark.read.json(readFile, schema=testColumn)