代码之家 › 专栏 › 技术社区 › dportman

卡夫卡到熊猫的无火花数据帧

apache-kafka pandas json python

dportman · 技术社区 · 8 年前

我正在阅读卡夫卡主题的流式数据,我想将其中的一些部分存储在一个数据框中。

from confluent_kafka import Consumer, KafkaError

c = Consumer({
    'bootstrap.servers': "###",
    'group.id': '###',
    'default.topic.config': {
'auto.offset.reset': 'latest' }
})

c.subscribe(['scorestore'])

while True:
    msg = c.poll(1.0)

    if msg is None:
        continue
    if msg.error():
        if msg.error().code() == KafkaError._PARTITION_EOF:
            continue
        else:
            print(msg.error())
            break

    print('Received message: {}'.format(msg.value().decode('utf-8')))

c.close()

收到的消息是json

{
  "messageHeader" : {
    "messageId" : "4b604b33-7256-47b6-89d6-eb1d92a282e6",
    "timestamp" : 152520000,
    "sourceHost" : "test",
    "sourceLocation" : "test",
    "tags" : [ ],
    "version" : "1.0"
  },
  "id_value" : {
    "id" : "1234",
    "value" : "333.0"
  }
}

例如,我正在尝试创建一个包含timestamp、id和value列的数据帧

    timestamp   id  value
0   152520000   1234    333.0

有没有一种方法可以在不解析json消息并将所需的值逐行附加到数据帧的情况下实现这一点?

1 回复 | 直到 8 年前

migjimen 8 年前

我提出的解决方案可能有点棘手。假设您的JSON消息位于一个名为“msg\u str”的字符串中:

import pandas as pd

msg_str = '{  "messageHeader" : { "messageId" : "4b604b33-7256-47b6-89d6-eb1d92a282e6",    "timestamp" : 152520000,    "sourceHost" : "test",    "sourceLocation" : "test",    "tags" : [ ],    "version" : "1.0"  },  "id_value" : {    "id" : "1234",    "value" : "333.0"  }}'


#first create a dataframe with read_json
p = pd.read_json(msg_str)
# Now you have a dataframe with two columns. Where a column has a value, the other 
# has a NaN. Now create a new column only with the values which are not 'NaN'
p['fussion'] = p['id_value'].fillna(p['messageHeader'])
# Delete columns 'id_value' and 'messageHeader' as you don't need them anymore
p = p[['fussion']].reset_index()
# Create a temporal column only to be the index to do a pivot
p['tmp'] = 0
# Do the pivot to convert rows into columns
p = p.pivot(index = 'tmp' ,values='fussion', columns='index')
# Finally get the columns that you are interested in
p = p.reset_index()[['timestamp','id','value']]

print(p)

结果:

index  timestamp    id value
0      152520000  1234   333

然后,您可以将此数据帧附加到正在累积结果的数据帧中。

也许有一个最简单的解决方案,但如果不是这样,我希望它能帮助你。

推荐文章

Sweepy Dodo · JSON lite的格式化

1 年前

SebMa · 为什么我用mikefarah/yq得到两倍的JSON输出?

1 年前

Dione Saturn · JSON、fetch、HTML中的javascript和未定义或空字符串[重复]

1 年前

user24242514 · 将嵌套查询字符串请求转换为字典

1 年前

Shane Harley · 通过这些JSON元素进行映射

1 年前

Milenko Markovic · 如何使用Python读取JSON?操作系统错误:[Errno 36]文件名太长:

1 年前

Shane Harley · 将HTML作为JSON字符串的一部分?

1 年前

user6631314 · 使用PHP从api响应中提取视频数据[复制]

1 年前

Matt Miles · 如何将嵌套的JSON转换为数据帧?

1 年前

ololo · 不支持目录导入

1 年前