Azure Databricks での半構造化データのクエリ
この記事では、JSON として格納されている半構造化データのクエリと変換に使用できる Databricks SQL 演算子について説明します。
注意
この機能を使用すると、ファイルをフラット化せずに半構造化データを読み取ることができます。 ただし、読み取りクエリのパフォーマンスを最適化するために、Databricks では、入れ子になった列を正しいデータ型を使用して抽出することを推奨しています。
構文 <column-name>:<extraction-path> を使用して、JSON 文字列を含むフィールドから列を抽出します。<column-name> は文字列の列名、<extraction-path> は抽出するフィールドのパスです。 返される結果は文字列です。
入れ子の多いデータを含むテーブルを作成する
次のクエリを実行して、入れ子の多いデータを含むテーブルを作成します。 この記事の例ではすべて、この表を参照しています。
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
最上位レベル列を抽出する
列を抽出するには、抽出パスで JSON フィールドの名前を指定します。
列名は角かっこで囲んで指定できます。 角かっこで囲んで参照された列は、大文字と小文字を "区別して" 一致が判定されます。 列名も大文字と小文字を区別せずに参照されます。
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 |
+------------------+----------------+
スペースと特殊文字をエスケープするには、バッククォートを使用します。 フィールド名は大文字と小文字を "区別せずに" 一致が判定されます。
-- 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 |
+----------+----------+-----------+
注意
大文字と小文字を区別しない一致により、抽出パスに一致する可能性がある複数の列が JSON レコードに含まれている場合、角かっこを使用するように求めるエラーが返されます。 行をまたいで列が一致する場合、エラーは返されません。 {"foo":"bar", "Foo":"bar"} ではエラーが発生し、次の記述ではエラーが発生しません。
{"foo":"bar"}
{"Foo":"bar"}
入れ子になったフィールドを抽出する
入れ子になったフィールドは、ドット表記または角かっこを使用して指定します。 角かっこを使用すると、列の一致は大文字と小文字を区別して判定されます。
-- 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" | |
| } | |
+------------------+---------+
配列から値を抽出する
角かっこを使用して、配列の要素のインデックスを指定します。 インデックスは 0 から始まります。 アスタリスク (*) と、それに続くドットまたは角かっこ表記を使用して、配列のすべての要素からサブフィールドを抽出できます。
-- 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"} | | |
| ] | ] | ] | | |
+----------------------------+------------------+---------------------+---------------------------------+----------+
値をキャストする
:: を使用して、基本的なデータ型に値をキャストできます。 入れ子になった結果を、配列や構造体などのより複雑なデータ型にキャストするには、from_json メソッドを使用します。
-- 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"] |
| ] |
+------------------------------------------+
NULL の動作
null 値を持つ JSON フィールドが存在する場合は、null テキスト値ではなく、その列の SQL null 値を受け取る必要があります。
select '{"key":null}':key is null sql_null, '{"key":null}':key == 'null' text_null
+-------------+-----------+
| sql_null | text_null |
+-------------+-----------+
| true | null |
+-------------+-----------+
Spark SQL 演算子を使用して入れ子になったデータを変換する
Apache Spark には、複雑で入れ子になったデータを処理するための組み込み関数が多数用意されています。 次のノートブックには、例が含まれています。
さらに、組み込みの Spark 演算子を使用するとデータを思いどおりに変換できなくなる場合は、高階関数を使用すると選択肢がさらに増えます。