使用 DataFrame 解析混合内容 XML
Posted
技术标签:
【中文标题】使用 DataFrame 解析混合内容 XML【英文标题】:Mixed Content XML parsing using DataFrame 【发布时间】:2018-06-12 07:12:34 【问题描述】:我有一个包含混合内容的 XML 文档,我在 Dataframe 中使用自定义模式来解析它。我遇到了一个问题,架构只会拾取“测量”的文本。
XML 看起来像这样
<QData>
<Measure> some text here
<Answer>Answer1</Answer>
<Question>Question1</Question>
</Measure>
<Measure> some text here
<Answer>Answer1</Answer>
<Question>Question1</Question>
</Meaure>
</QData>
我的架构如下:
def getCustomSchema():StructType = StructField("QData",
StructType(Array(
StructField("Measure",
StructType( Array(
StructField("Answer",StringType,true),
StructField("Question",StringType,true)
)),true)
)),true)
当我尝试访问 Measure 中的数据时,我只会收到“此处的一些文本”,而当我尝试从 Answer 获取信息时它会失败。我也只是得到一个 Measure。
编辑:这就是我尝试访问数据的方式
val result = sc.read.format("com.databricks.spark.xml").option("attributePrefix", "attr_").schema(getCustomSchema)
.load(filename.toString)
val qDfTemp = result.mapPartitions(partition =>val mapper = new QDMapper();partition.map(row=>mapper(row)).flatMap(list=>list)).toDF()
case class QDMapper()
def apply(row: Row):List[QData]=
val qDList = new ListBuffer[QData]()
val qualData = row.getAs[Row]("QData") //When I print as list I get the first Measure text and that is it
val measure = qualData.getAs[Row]("Measure") //This fails
【问题讨论】:
你的 spark.read 命令是什么? 我正在使用 val Qdata = row.getAs[Row]("QData") 获取数据。我试过 val measure = Qdata.getAs[Row]("Measure") 但它失败了 您可以尝试使用 Databrick 的库来读取 xml 文档作为数据框。 val df = sqlContext.read.format("com.databricks.spark.xml").option("rowTag", "Measure").load("test.xml") 这就是我正在使用的,但我已经为它创建了一个自定义架构。就在 .load("test.xml") 之前,我有 .schema(getCustomSchema)。 亲爱的未来人。我还没有找到解决这个确切问题的方法。我们刚刚添加了一个流程,将“这里的一些文本”包含在它自己的 XML 标记中,数据块解析器按预期工作。 【参考方案1】:您可以使用行标签作为根标签并访问其他元素:-
df_schema = sqlContext.read.format('com.databricks.spark.xml').options(rowTag='<xml_tag_name>').load(schema_path)
请访问https://github.com/harshaltaware/Pyspark/blob/main/Spark-data-parsing/xmlparsing.py获取简要代码
【讨论】:
以上是关于使用 DataFrame 解析混合内容 XML的主要内容,如果未能解决你的问题,请参考以下文章
使用 Apache Spark 和 Java 将 CSV 解析为 DataFrame/DataSet