File JSON

È possibile leggere i file JSON in modalità a riga singola o multiriga. In modalità a riga singola, un file può essere suddiviso in molte parti e letto in parallelo. In modalità multiriga, un file viene caricato come entità completa e non può essere suddiviso.

Per altre informazioni, vedere File JSON.

Opzioni

Per le opzioni di lettura e scrittura supportate, vedere gli articoli di riferimento di Apache Spark seguenti.

• Lettura
  • Python
  • Scala
• Scrittura
  • Python
  • Scala

Colonna di dati recuperati

La colonna di dati recuperati garantisce che non si perdano o non si rinunci mai ai dati durante l'ETL. La colonna di dati recuperati contiene tutti i dati che non sono stati analizzati, sia perché mancavano dallo schema specificato sia perché si verificava una mancata corrispondenza del tipo o perché la combinazione di maiuscole e minuscole della colonna nel record o nel file non corrispondeva a quella nello schema. La colonna di dati recuperati viene restituita come blob JSON contenente le colonne recuperate e il percorso del file di origine del record. Per rimuovere il percorso dei file di origine dalla colonna di dati recuperati, è possibile impostare la configurazione SQL spark.conf.set("spark.databricks.sql.rescuedDataColumn.filePath.enabled", "false"). È possibile abilitare la colonna di dati recuperati impostando l'opzione rescuedDataColumn su un nome di colonna, ad esempio _rescued_data su spark.read.option("rescuedDataColumn", "_rescued_data").format("json").load(<path>).

Il parser JSON supporta tre modalità durante l'analisi dei record: PERMISSIVE, DROPMALFORMED e FAILFAST. Se usato insieme a rescuedDataColumn, le mancate corrispondenze del tipo di dati non causano l'esclusione dei record in modalità DROPMALFORMED oppure generano un errore in modalità FAILFAST. Solo i record danneggiati, ovvero JSON incompleti o in formato non valido, vengono esclusi o generano errori. Se si usa l'opzione badRecordsPath durante l'analisi di JSON, le mancate corrispondenze del tipo di dati non vengono considerate come record non validi quando si usa rescuedDataColumn. Solo i record JSON incompleti e in formato non valido vengono archiviati in badRecordsPath.

Esempi

Modalità a riga singola

In questo esempio, è presente un oggetto JSON per riga:

{"string":"string1","int":1,"array":[1,2,3],"dict": {"key": "value1"}}
{"string":"string2","int":2,"array":[2,4,6],"dict": {"key": "value2"}}
{"string":"string3","int":3,"array":[3,6,9],"dict": {"key": "value3", "extra_key": "extra_value3"}}

Per leggere i dati JSON, usare:

val df = spark.read.format("json").load("example.json")

Spark deduce automaticamente lo schema.

df.printSchema

root
 |-- array: array (nullable = true)
 |    |-- element: long (containsNull = true)
 |-- dict: struct (nullable = true)
 |    |-- extra_key: string (nullable = true)
 |    |-- key: string (nullable = true)
 |-- int: long (nullable = true)
 |-- string: string (nullable = true)

Modalità multiriga

Questo oggetto JSON occupa più righe:

[
  {"string":"string1","int":1,"array":[1,2,3],"dict": {"key": "value1"}},
  {"string":"string2","int":2,"array":[2,4,6],"dict": {"key": "value2"}},
  {
    "string": "string3",
    "int": 3,
    "array": [
        3,
        6,
        9
    ],
    "dict": {
        "key": "value3",
        "extra_key": "extra_value3"
    }
  }
]

Per leggere questo oggetto, abilitare la modalità multiriga:

SQL

CREATE TEMPORARY VIEW multiLineJsonTable
USING json
OPTIONS (path="/tmp/multi-line.json",multiline=true)

Scala

val mdf = spark.read.option("multiline", "true").format("json").load("/tmp/multi-line.json")
mdf.show(false)

Rilevamento automatico del set di caratteri

Per impostazione predefinita, il set di caratteri dei file di input viene rilevato automaticamente. È possibile specificare il set di caratteri in modo esplicito usando l'opzione charset:

spark.read.option("charset", "UTF-16BE").format("json").load("fileInUTF16.json")

Alcuni set di caratteri supportati includono: UTF-8, UTF-16BE, UTF-16LE, UTF-16, UTF-32BE, UTF-32LE, UTF-32. Per l'elenco completo dei set di caratteri supportati da Oracle Java SE, vedere Codifiche supportate.

Esempio di notebook: leggere i file JSON

Il notebook seguente illustra la modalità a riga singola e la modalità multiriga.

Leggere il notebook dei file JSON

Ottenere il notebook