Запрос полуструктурированных данных в Azure Databricks
В этой статье описываются операторы SQL Databricks, которые можно использовать для запроса и преобразования частично структурированных данных, хранящихся в формате JSON.
Примечание.
Эта функция позволяет считывать частично структурированные данные, не преобразуя файлы в плоскую структуру. Однако для оптимальной производительности запросов на чтение в Databricks рекомендуется извлекать вложенные столбцы с правильными типами данных.
Столбец извлекается из полей, содержащих строки JSON, с помощью синтаксиса <column-name>:<extraction-path>, где <column-name> — это строковое имя столбца, а <extraction-path> — путь к извлекаемому полю. Возвращенные результаты являются строками.
Создание таблицы с высоко вложенными данными
Выполните следующий запрос, чтобы создать таблицу с высоко вложенными данными. Примеры, приведенные в этой статье, ссылались на эту таблицу.
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
Извлечение столбца верхнего уровня
Чтобы извлечь столбец, укажите имя поля JSON в пути извлечения.
Имена столбцов можно указать в квадратных скобках. Столбцы, упоминаемые внутри квадратных скобок, сопоставляются с учетом регистра. Имена столбцов также упоминаются без учета регистра.
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 |
+------------------+----------------+
Используйте обратные кавычки для экранирования пробелов и специальных символов. Имена полей сопоставляются без учета регистра.
-- 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 |
+----------+----------+-----------+
Примечание.
Если запись JSON содержит несколько столбцов, которые могут соответствовать пути извлечения из-за совпадения без учета регистра, появится сообщение об ошибке с запросом на использование квадратных скобок. Если имеются совпадения между столбцами в строках, вы не получите ошибок. Следующий вызов приведет к ошибке: {"foo":"bar", "Foo":"bar"}, а следующей не вызовет ошибку:
{"foo":"bar"}
{"Foo":"bar"}
Извлечение вложенных полей
Вложенные поля указываются с помощью точечной нотации или квадратных скобок. При использовании квадратных скобок столбцы сопоставляются с учетом регистра.
-- 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" | |
| } | |
+------------------+---------+
Извлечение значений из массивов
Элементы в массивах индексируются с помощью квадратных скобок. Основание индексов — 0. Для извлечения подполей из всех элементов массива можно использовать звездочку (*) с последующей точкой или нотацией в квадратных скобках.
-- 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"} | | |
| ] | ] | ] | | |
+----------------------------+------------------+---------------------+---------------------------------+----------+
Приведение значений
Для приведения значений к базовым типам данных можно использовать ::. Используйте метод from_json для приведения вложенных результатов к более сложным типам данных, таким как массивы или структуры.
-- 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"] |
| ] |
+------------------------------------------+
Поведение NULL
Если поле JSON имеет значение null, для этого столбца будет получено SQL-значение null, а не текстовое значение null.
select '{"key":null}':key is null sql_null, '{"key":null}':key == 'null' text_null
+-------------+-----------+
| sql_null | text_null |
+-------------+-----------+
| true | null |
+-------------+-----------+
Преобразование вложенных данных с помощью операторов SQL Spark
Apache Spark имеет ряд встроенных функций для работы со сложными и вложенными данными. В следующей записной книжке содержатся примеры.
Кроме того, функции более высокого порядка предоставляют множество дополнительных параметров, если встроенные операторы Spark недоступны для преобразования данных в нужный способ.