from_json

Analysiert eine Spalte, die eine JSON-Zeichenfolge enthält, StructType als StringTypeMapType Schlüsseltyp oder ArrayType mit dem angegebenen Schema. Gibt nullim Fall einer nicht analysierten Zeichenfolge zurück.

Syntax

from pyspark.sql import functions as sf

sf.from_json(col, schema, options=None)

Die Parameter

Parameter	Typ	Description
col	pyspark.sql.Column oder str	Ein Spalten- oder Spaltenname im JSON-Format.
schema	DataType oder str	A StructType, ArrayType of StructType or Python string literal with a DDL-formatted string to use when parsing the json column.
options	Diktat, optional	Optionen zum Steuern der Analyse. Akzeptiert die gleichen Optionen wie die JSON-Datenquelle.

Rückkehr

pyspark.sql.Column: eine neue Spalte mit komplexem Typ aus einem bestimmten JSON-Objekt.

Examples

Beispiel 1: Analysieren von JSON mit einem angegebenen Schema

import pyspark.sql.functions as sf
from pyspark.sql.types import StructType, StructField, IntegerType
schema = StructType([StructField("a", IntegerType())])
df = spark.createDataFrame([(1, '''{"a": 1}''')], ("key", "value"))
df.select(sf.from_json(df.value, schema).alias("json")).show()

+----+
|json|
+----+
| {1}|
+----+

Beispiel 2: Analysieren von JSON mit einer DDL-formatierten Zeichenfolge

import pyspark.sql.functions as sf
df = spark.createDataFrame([(1, '''{"a": 1}''')], ("key", "value"))
df.select(sf.from_json(df.value, "a INT").alias("json")).show()

+----+
|json|
+----+
| {1}|
+----+

Beispiel 3: Analysieren von JSON in einen MapType

import pyspark.sql.functions as sf
df = spark.createDataFrame([(1, '''{"a": 1}''')], ("key", "value"))
df.select(sf.from_json(df.value, "MAP<STRING,INT>").alias("json")).show()

+--------+
|    json|
+--------+
|{a -> 1}|
+--------+

Beispiel 4: Analysieren von JSON in einen ArrayType von StructType

import pyspark.sql.functions as sf
from pyspark.sql.types import ArrayType, StructType, StructField, IntegerType
schema = ArrayType(StructType([StructField("a", IntegerType())]))
df = spark.createDataFrame([(1, '''[{"a": 1}]''')], ("key", "value"))
df.select(sf.from_json(df.value, schema).alias("json")).show()

+-----+
| json|
+-----+
|[{1}]|
+-----+

Beispiel 5: Analysieren von JSON in einen ArrayType

import pyspark.sql.functions as sf
from pyspark.sql.types import ArrayType, IntegerType
schema = ArrayType(IntegerType())
df = spark.createDataFrame([(1, '''[1, 2, 3]''')], ("key", "value"))
df.select(sf.from_json(df.value, schema).alias("json")).show()

+---------+
|     json|
+---------+
|[1, 2, 3]|
+---------+

Beispiel 6: Analysieren von JSON mit angegebenen Optionen

import pyspark.sql.functions as sf
df = spark.createDataFrame([(1, '''{a:123}'''), (2, '''{"a":456}''')], ("key", "value"))
parsed1 = sf.from_json(df.value, "a INT")
parsed2 = sf.from_json(df.value, "a INT", {"allowUnquotedFieldNames": "true"})
df.select("value", parsed1, parsed2).show()

+---------+----------------+----------------+
|    value|from_json(value)|from_json(value)|
+---------+----------------+----------------+
|  {a:123}|          {NULL}|           {123}|
|{"a":456}|           {456}|           {456}|
+---------+----------------+----------------+