Wykonywanie zapytań dotyczących częściowo ustrukturyzowanych danych w usłudze Azure Databricks
W tym artykule opisano operatory SQL usługi Databricks, których można użyć do wykonywania zapytań i przekształcania częściowo ustrukturyzowanych danych przechowywanych w formacie JSON.
Uwaga
Ta funkcja umożliwia odczytywanie częściowo ustrukturyzowanych danych bez spłaszczania plików. Jednak w celu uzyskania optymalnej wydajności zapytań odczytu usługa Databricks zaleca wyodrębnianie zagnieżdżonych kolumn z odpowiednimi typami danych.
Wyodrębnisz kolumnę z pól zawierających ciągi JSON przy użyciu składni <column-name>:<extraction-path>, gdzie <column-name> jest nazwą kolumny ciągu i <extraction-path> ścieżką do pola do wyodrębnienia. Zwrócone wyniki są ciągami.
Tworzenie tabeli z wysoce zagnieżdżonymi danymi
Uruchom następujące zapytanie, aby utworzyć tabelę z wysoce zagnieżdżonymi danymi. Przykłady w tym artykule odwołują się do tej tabeli.
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
Wyodrębnianie kolumny najwyższego poziomu
Aby wyodrębnić kolumnę, określ nazwę pola JSON w ścieżce wyodrębniania.
Nazwy kolumn można podać w nawiasach kwadratowych. Kolumny, do których odwołuje się nawiasy kwadratowe, są z uwzględnieniem wielkości liter. Nazwa kolumny jest również niewrażliwa na wielkość liter.
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 |
+------------------+----------------+
Użyj klawiszy backticks, aby uniknąć spacji i znaków specjalnych. Nazwy pól są dopasowywane bez uwzględniania wielkości liter.
-- 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 |
+----------+----------+-----------+
Uwaga
Jeśli rekord JSON zawiera wiele kolumn, które mogą być zgodne ze ścieżką wyodrębniania z powodu dopasowania bez uwzględniania wielkości liter, zostanie wyświetlony błąd z prośbą o użycie nawiasów kwadratowych. Jeśli masz dopasowania kolumn w wierszach, nie otrzymasz żadnych błędów. Następujące polecenie zgłosi błąd: {"foo":"bar", "Foo":"bar"}, a następujące polecenie nie zgłosi błędu:
{"foo":"bar"}
{"Foo":"bar"}
Wyodrębnianie zagnieżdżonych pól
Pola zagnieżdżone można określić zagnieżdżonym notacją kropkową lub nawiasami kwadratowymi. Gdy używasz nawiasów kwadratowych, kolumny są dopasowywane wielkość liter w sposób poufny.
-- 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" | |
| } | |
+------------------+---------+
Wyodrębnianie wartości z tablic
Elementy indeksowania w tablicach z nawiasami kwadratowymi. Indeksy są oparte na 0. Możesz użyć gwiazdki (*), po której następuje kropka lub notacja nawiasu, aby wyodrębnić pola podrzędne ze wszystkich elementów w tablicy.
-- 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"} | | |
| ] | ] | ] | | |
+----------------------------+------------------+---------------------+---------------------------------+----------+
Rzutowanie wartości
Za pomocą :: funkcji rzutowania wartości można rzutować podstawowe typy danych. Użyj metody from_json, aby rzutować zagnieżdżone wyniki na bardziej złożone typy danych, takie jak tablice lub struktury.
-- 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"] |
| ] |
+------------------------------------------+
Zachowanie wartości NULL
Gdy pole JSON istnieje z wartością null , otrzymasz wartość SQL null dla tej kolumny, a nie wartość tekstową null .
select '{"key":null}':key is null sql_null, '{"key":null}':key == 'null' text_null
+-------------+-----------+
| sql_null | text_null |
+-------------+-----------+
| true | null |
+-------------+-----------+
Przekształcanie danych zagnieżdżonych przy użyciu operatorów Spark SQL
Platforma Apache Spark ma wiele wbudowanych funkcji do pracy ze złożonymi i zagnieżdżonymi danymi. Poniższy notes zawiera przykłady.
Ponadto funkcje wyższego zamówienia zapewniają wiele dodatkowych opcji, gdy wbudowane operatory platformy Spark nie są dostępne do przekształcania danych w odpowiedni sposób.