Spark SQL，如何將 DataFrame 轉為 json 格式

今天主要介紹一下如何將 Spark dataframe 的資料轉成 json 資料。用到的是 scala 提供的 json 處理的 api。

用過 Spark SQL 應該知道，Spark dataframe 本身有提供一個 api 可以供我們將資料轉成一個 JsonArray，我們可以在 spark-shell 裡頭舉個例子來看一下。

import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder().master("master").appName("test").config("spark.sql.warehouse.dir", warehouseLocation).enableHiveSupport().getOrCreate();
//提供隱式轉換功能，比如將 Rdd 轉為 dataframe
import spark.implicits._

val df:DataFrame = sc.parallelize(Array(("abc",2),("efg",4))).toDF()
df.show()
/*-------------show -----------
+---+---+
| _1| _2|
+---+---+
|abc|  2|
|efg|  4|
+---+---+
*/

//這裡使用 dataframe Api 轉換成 jsonArray
val jsonStr:String = a.toJSON.collectAsList.toString
/*--------------- json String-------------
[{"_1":"abc","_2":2}, {"_1":"efg","_2":4}]
*/

可以發現，我們可以使用 dataframe 提供的 api 直接將 dataframe 轉換成 jsonArray 的形式，但這樣子卻有些冗餘。以上面的例子來說，很多時候我要的不是這樣的形式。

[{"_1":"abc","_2":2}, {"_1":"efg","_2":4}]

而是下面這種形式。

[{"abc":2}, {"efg":4}]

這才是我們通常會使用到的 json 格式。以 dataframe 的 api 轉換而成的 json 明顯太過冗餘。為此，我們需要藉助一些 json 處理的包，本著能懶則懶的原則，直接使用 scala 提供的 json 處理包。

import org.apache.spark.sql.{DataFrame, SparkSession}
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder().master("master").appName("test").config("spark.sql.warehouse.dir", warehouseLocation).enableHiveSupport().getOrCreate();
//提供隱式轉換功能，比如將 Rdd 轉為 dataframe
import spark.implicits._

val df:DataFrame = sc.parallelize(Array(("abc",2),("efg",4))).toDF()
df.show()
/*-------------show -----------
+---+---+
| _1| _2|
+---+---+
|abc|  2|
|efg|  4|
+---+---+
*/

//接下來不一樣了
val df2Array:Array[Tuple2[String,Int]] = df.collect().map{case org.apache.spark.sql.Row(x:String,y:Int) => (x,y)}

val jsonData:Array[JSONObject] = aM.map{ i =>
  new JSONObject(Map(i._1 -> i._2))
}

val jsonArray:JSONArray = new JSONArray(jsonData.toList)
/*-----------jsonArray------------
[{"abc" : 2}, {"efg" : 4}]
*/

大概說明一下上述的程式碼，首先我們要先將 df 變數進行 collect 操作，將它轉換成 Array ，但是要生成 jsonObject 得是 Array[Tuple2[T,T]] 的格式，所以我們需要再進一步轉換成對應格式。這裡的 map 是函數語言程式設計裡面的 map 。

然後也是用 map 操作生成 Array[JSONObject]，最後再轉換成 JSONArray 就可以。

將資料轉換成 json 的格式通常不能太大，一般用在 spark 跑出資料結果後寫入到其他資料庫的時候會用到，比如 Mysql 。

以上~~

---

推薦閱讀：
Spark DataFrame 的 groupBy vs groupByKey
spark RDD，reduceByKey vs groupByKey