我有一个Athena表,其中一些字段具有相当复杂的嵌套格式。S3中的支持记录是JSON。沿着以下方式(但我们有更多的嵌套级别):
CREATE EXTERNAL TABLE IF NOT EXISTS test (
timestamp double,
stats array<struct<time:double, mean:double, var:double>>,
dets array<struct<coords: array<double>, header:struct<frame:int,
seq:int, name:string>>>,
pos struct<x:double, y:double, theta:double>
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES ('ignore.malformed.json'='true')
LOCATION 's3://test-bucket/test-folder/'
现在我们需要能够查询数据并将结果导入Python进行分析。由于安全限制,我不能直接连接到Athena;我需要能够给予别人的查询,然后他们会给我的CSV结果。
如果我们直接选择 *,那么返回的结构体/数组列的格式不完全是JSON格式,下面是一个输入文件的例子:
{"timestamp":1520640777.666096,"stats":[{"time":15,"mean":45.23,"var":0.31},{"time":19,"mean":17.315,"var":2.612}],"dets":[{"coords":[2.4,1.7,0.3], "header":{"frame":1,"seq":1,"name":"hello"}}],"pos": {"x":5,"y":1.4,"theta":0.04}}
示例输出:
select * from test
"timestamp","stats","dets","pos"
"1.520640777666096E9","[{time=15.0, mean=45.23, var=0.31}, {time=19.0, mean=17.315, var=2.612}]","[{coords=[2.4, 1.7, 0.3], header={frame=1, seq=1, name=hello}}]","{x=5.0, y=1.4, theta=0.04}"
我希望以更方便的格式导出这些嵌套字段--以JSON格式导出它们会很棒。
不幸的是,转换为JSON似乎只适用于Map,而不适用于结构体,因为它只是将所有内容扁平化为数组:
SELECT timestamp, cast(stats as JSON) as stats, cast(dets as JSON) as dets, cast(pos as JSON) as pos FROM "sampledb"."test"
"timestamp","stats","dets","pos"
"1.520640777666096E9","[[15.0,45.23,0.31],[19.0,17.315,2.612]]","[[[2.4,1.7,0.3],[1,1,""hello""]]]","[5.0,1.4,0.04]"
有没有转换成JSON(或其他易于导入的格式)的好方法,或者我应该直接执行一个自定义解析函数?
6条答案
按热度按时间ohfgkhjo1#
我已经浏览了所有的文档,不幸的是,到目前为止似乎还没有办法做到这一点。
converting a struct to a json when querying athena
或者我会使用后处理将数据转换为json。
输入数据的输出为
哪个是有效的JSON
8ehkhllq2#
@tarun的python代码几乎让我达到了这个目标,但是由于数据的原因,我不得不在几个方面进行修改。
下面是代码,为我工作,希望将是有用的其他人:
rggaifut3#
此方法不是通过修改查询。
对于Javascript/Nodejs,我们可以使用npm包 athena-struct-parser。
详细答案及示例
https://stackoverflow.com/a/67899845/6662952
参考-https://www.npmjs.com/package/athena-struct-parser
ki1q1bka4#
我使用了一个简单的方法来绕过struct -〉json Athena的限制,我创建了第二个表,其中json列被保存为原始字符串,使用presto json和数组函数,我能够查询数据并将有效的json字符串返回给我的程序:
我知道查询将花费更长的时间来执行,但有一些方法可以优化。
kmb7vmvb5#
我使用相同的S3位置创建了第二个表,但将字段的数据类型更改为字符串,从而解决了这个问题。生成的CSV包含Athena从JSON文件中的对象提取的字符串,我能够解析结果。
u91tlkcl6#
我还必须调整@tarun代码,因为我有更复杂的数据和嵌套结构。下面是我的解决方案,希望它能有所帮助: