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。

def main(args: Array[String]): Unit = {
    import org.apache.spark.sql.SparkSession
    val spark = SparkSession.builder()
      .master("local[*]").appName("test")
      .getOrCreate();
    //提供隐式转换功能，比如将 Rdd 转为 dataframe
    import spark.implicits._

    val df:DataFrame = spark.sparkContext.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 jsonArray
    val jsonStr:String = df.toJSON.collectAsList.toString
    println(jsonStr)
    /*--------------- 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
import scala.util.parsing.json.{JSONArray, JSONObject}
object DFTest {

  def main(args: Array[String]): Unit = {
    import org.apache.spark.sql.SparkSession
    val spark = SparkSession.builder()
      .master("local[*]").appName("test")
      .getOrCreate();
    //提供隐式转换功能，比如将 Rdd 转为 dataframe
    import spark.implicits._

    val df:DataFrame = spark.sparkContext.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] = df2Array.map{ i =>
      new JSONObject(Map(i._1 -> i._2))
    }

    val jsonArray:JSONArray = new JSONArray(jsonData.toList)

    println(jsonArray)
    /*-----------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 。