今天主要介绍一下如何将 Spark dataframe 的数据转成 json 数据。用到的是 scala 提供的 json 处理的 api。
用过 Spark SQL 应该知道，Spark dataframe 本身有提供一个 api 可以供我们将数据转成一个 JsonArray，我们可以在 spark-shell 里头举个栗子来看一下。
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("master").appName("test").config("spark.sql.warehouse.dir", warehouseLocation).enableHiveSupport().getOrCreate();
//提供隐式转换功能，比如将 Rdd 转为 dataframeimport spark.implicits._val df:DataFrame = sc.parallelize(Array(("abc",2),("efg",4))).toDF()df.show()
/*-------------show -----------+---+---+| _1| _2|
+---+---+|abc| 2|
|efg| 4|
+---+---+*/
//这里使用 dataframe Api 转换成 jsonArrayval jsonStr:String = a.toJSON.collectAsList.toString
/*--------------- json String-------------[{"_1":"abc","_2":2}, {"_1":"efg","_2":4}]
*/可以发现，我们可以使用 dataframe 提供的 api 直接将 dataframe 转换成 jsonArray 的形式，但这样子却有些冗余。以上面的例子来说，很多时候我要的不是这样的形式。
[{"_1":"abc","_2":2}, {"_1":"efg","_2":4}]而是下面这种形式。
[{"abc":2}, {"efg":4}]这才是我们通常会使用到的 json 格式。以 dataframe 的 api 转换而成的 json 明显太过冗余。为此，我们需要借助一些 json 处理的包，本着能懒则懒的原则，直接使用 scala 提供的 json 处理包。
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();//提供隐式转换功能，比如将 Rdd 转为 dataframeimport spark.implicits._
val df:DataFrame = sc.parallelize(Array(("abc",2),("efg",4))).toDF()
df.show()/*-------------show -----------
+---+---+
| _1| _2|
+---+---+
|abc| 2|
|efg| 4|
+---+---+
*///接下来不一样了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}]
*/大概说明一下上述的代码，首先我们要先将 df 变量进行 collect 操作，将它转换成 Array ，但是要生成 jsonObject 得是 Array[Tuple2[T,T]] 的格式，所以我们需要再进一步转换成对应格式。这里的 map 是函数式编程里面的 map 。
然后也是用 map 操作生成 Array[JSONObject]，最后再转换成 JSONArray 就可以。
将数据转换成 json 的格式通常不能太大，一般用在 spark 跑出数据结果后写入到其他数据库的时候会用到，比如 Mysql 。
以上~~