Consultar cadeias de caracteres JSON
Este artigo descreve os operadores de SQL do Databricks que você poderá usar para consultar e transformar os dados semiestruturados armazenados como cadeias de caracteres JSON.
Observação
Esse recurso permite ler dados semiestruturados sem mesclar os arquivos. No entanto, para o desempenho de consulta de leitura ideal, a Databricks recomenda extrair colunas aninhadas com os tipos de dados corretos.
Extraia uma coluna de campos que contenham cadeias de caracteres JSON usando a sintaxe <column-name>:<extraction-path>, em que <column-name> é o nome da coluna de cadeia de caracteres e <extraction-path> é o caminho para o campo a ser extraído. Os resultados retornados são cadeias de caracteres.
Criar uma tabela com dados altamente aninhados
Execute a consulta a seguir para criar uma tabela com dados altamente aninhados. Todos os exemplos neste artigo referenciam essa tabela.
CREATE TABLE store_data AS SELECT
'{
"store":{
"fruit": [
{"weight":8,"type":"apple"},
{"weight":9,"type":"pear"}
],
"basket":[
[1,2,{"b":"y","a":"x"}],
[3,4],
[5,6]
],
"book":[
{
"author":"Nigel Rees",
"title":"Sayings of the Century",
"category":"reference",
"price":8.95
},
{
"author":"Herman Melville",
"title":"Moby Dick",
"category":"fiction",
"price":8.99,
"isbn":"0-553-21311-3"
},
{
"author":"J. R. R. Tolkien",
"title":"The Lord of the Rings",
"category":"fiction",
"reader":[
{"age":25,"name":"bob"},
{"age":26,"name":"jack"}
],
"price":22.99,
"isbn":"0-395-19395-8"
}
],
"bicycle":{
"price":19.95,
"color":"red"
}
},
"owner":"amy",
"zip code":"94025",
"fb:testid":"1234"
}' as raw
Extrair uma coluna de nível superior
Para extrair uma coluna, especifique o nome do campo JSON no seu caminho de extração.
Pode-se fornecer nomes de coluna entre colchetes. A correspondência de colunas referenciadas entre colchetes diferenciamaiúsculas de minúsculas. O nome da coluna também não diferencia maiúsculas de minúsculas.
SELECT raw:owner, RAW:owner FROM store_data
+-------+-------+
| owner | owner |
+-------+-------+
| amy | amy |
+-------+-------+
-- References are case sensitive when you use brackets
SELECT raw:OWNER case_insensitive, raw:['OWNER'] case_sensitive FROM store_data
+------------------+----------------+
| case_insensitive | case_sensitive |
+------------------+----------------+
| amy | null |
+------------------+----------------+
Use aspas invertidas para fazer escape de espaços e caracteres especiais. A correspondência de nomes de campo não diferenciamaiúsculas e minúsculas.
-- Use backticks to escape special characters. References are case insensitive when you use backticks.
-- Use brackets to make them case sensitive.
SELECT raw:`zip code`, raw:`Zip Code`, raw:['fb:testid'] FROM store_data
+----------+----------+-----------+
| zip code | Zip Code | fb:testid |
+----------+----------+-----------+
| 94025 | 94025 | 1234 |
+----------+----------+-----------+
Observação
Se um registro JSON contiver várias colunas que possam corresponder ao seu caminho de extração devido à correspondência que não diferencia maiúsculas de minúsculas, você receberá uma mensagem de erro solicitando o uso de colchetes. Se houver correspondências de colunas em linhas, não haverá mensagem de erro. A sequência a seguir gerará erro: {"foo":"bar", "Foo":"bar"}; e a próxima não gerará erro:
{"foo":"bar"}
{"Foo":"bar"}
Extrair campos aninhados
Especifique campos aninhados por meio de notação de ponto ou usando colchetes. Quando você usa colchetes, a correspondência de colunas diferencia maiúsculas de minúsculas.
-- Use dot notation
SELECT raw:store.bicycle FROM store_data
-- the column returned is a string
+------------------+
| bicycle |
+------------------+
| { |
| "price":19.95, |
| "color":"red" |
| } |
+------------------+
-- Use brackets
SELECT raw:store['bicycle'], raw:store['BICYCLE'] FROM store_data
+------------------+---------+
| bicycle | BICYCLE |
+------------------+---------+
| { | null |
| "price":19.95, | |
| "color":"red" | |
| } | |
+------------------+---------+
Extrair valores de matrizes
Indexe elementos em matrizes usando colchetes. Os índices são baseados em 0. Pode-se usar um asterisco (*) seguido pela notação de ponto ou colchete para extrair subcampos de todos os elementos em uma matriz.
-- Index elements
SELECT raw:store.fruit[0], raw:store.fruit[1] FROM store_data
+------------------+-----------------+
| fruit | fruit |
+------------------+-----------------+
| { | { |
| "weight":8, | "weight":9, |
| "type":"apple" | "type":"pear" |
| } | } |
+------------------+-----------------+
-- Extract subfields from arrays
SELECT raw:store.book[*].isbn FROM store_data
+--------------------+
| isbn |
+--------------------+
| [ |
| null, |
| "0-553-21311-3", |
| "0-395-19395-8" |
| ] |
+--------------------+
-- Access arrays within arrays or structs within arrays
SELECT
raw:store.basket[*],
raw:store.basket[*][0] first_of_baskets,
raw:store.basket[0][*] first_basket,
raw:store.basket[*][*] all_elements_flattened,
raw:store.basket[0][2].b subfield
FROM store_data
+----------------------------+------------------+---------------------+---------------------------------+----------+
| basket | first_of_baskets | first_basket | all_elements_flattened | subfield |
+----------------------------+------------------+---------------------+---------------------------------+----------+
| [ | [ | [ | [1,2,{"b":"y","a":"x"},3,4,5,6] | y |
| [1,2,{"b":"y","a":"x"}], | 1, | 1, | | |
| [3,4], | 3, | 2, | | |
| [5,6] | 5 | {"b":"y","a":"x"} | | |
| ] | ] | ] | | |
+----------------------------+------------------+---------------------+---------------------------------+----------+
Converter valores
Pode-se usar :: para converter valores em tipos de dados básicos. Use o método from_json para converter resultados aninhados em tipos de dados mais complexos, como matrizes ou estruturas.
-- price is returned as a double, not a string
SELECT raw:store.bicycle.price::double FROM store_data
+------------------+
| price |
+------------------+
| 19.95 |
+------------------+
-- use from_json to cast into more complex types
SELECT from_json(raw:store.bicycle, 'price double, color string') bicycle FROM store_data
-- the column returned is a struct containing the columns price and color
+------------------+
| bicycle |
+------------------+
| { |
| "price":19.95, |
| "color":"red" |
| } |
+------------------+
SELECT from_json(raw:store.basket[*], 'array<array<string>>') baskets FROM store_data
-- the column returned is an array of string arrays
+------------------------------------------+
| basket |
+------------------------------------------+
| [ |
| ["1","2","{\"b\":\"y\",\"a\":\"x\"}]", |
| ["3","4"], |
| ["5","6"] |
| ] |
+------------------------------------------+
Comportamento NULL
Quando houver um campo JSON com valor null, você receberá um valor de SQL null para essa coluna, não um valor de texto null.
select '{"key":null}':key is null sql_null, '{"key":null}':key == 'null' text_null
+-------------+-----------+
| sql_null | text_null |
+-------------+-----------+
| true | null |
+-------------+-----------+
Transformar dados aninhados usando operadores SQL do Spark
O Apache Spark tem várias funções internas para trabalhar com dados complexos e aninhados. O notebook a seguir contém exemplos.
Além disso, as funções de ordem mais alta fornecem muitas opções adicionais, quando os operadores internos do Spark não estão disponíveis para transformar dados da maneira desejada.