Spark：如何从具有属性的多个嵌套 XML 文件转换为 Data Frame 数据

Posted 2023-04-15

【中文标题】Spark：如何从具有属性的多个嵌套 XML 文件转换为 Data Frame 数据

【英文标题】：Spark: How to transform to Data Frame data from multiple nested XML files with attributes

【发布时间】：2020-12-31 23:59:30

【问题描述】：

如何将以下值从多个 XML 文件转换为 spark 数据框：

属性Id0来自Level_0 Date/Value 来自Level_4

需要的输出：

+----------------+-------------+---------+
|Id0             |Date         |Value    |
+----------------+-------------+---------+
|Id0_value_file_1|  2021-01-01 |   4_1   |
|Id0_value_file_1|  2021-01-02 |   4_2   |
|Id0_value_file_2|  2021-01-01 |   4_1   |
|Id0_value_file_2|  2021-01-02 |   4_2   |
+----------------+-------+---------------+

file_1.xml：

<Level_0 Id0="Id0_value_file1">
  <Level_1 Id1_1 ="Id3_value" Id_2="Id2_value">
    <Level_2_A>A</Level_2_A>
    <Level_2>
      <Level_3>
        <Level_4>
          <Date>2021-01-01</Date>
          <Value>4_1</Value>
        </Level_4>
        <Level_4>
          <Date>2021-01-02</Date>
          <Value>4_2</Value>
        </Level_4>
      </Level_3>
    </Level_2>
  </Level_1>
</Level_0>

file_2.xml：

<Level_0 Id0="Id0_value_file2">
  <Level_1 Id1_1 ="Id3_value" Id_2="Id2_value">
    <Level_2_A>A</Level_2_A>
    <Level_2>
      <Level_3>
        <Level_4>
          <Date>2021-01-01</Date>
          <Value>4_1</Value>
        </Level_4>
        <Level_4>
          <Date>2021-01-02</Date>
          <Value>4_2</Value>
        </Level_4>
      </Level_3>
    </Level_2>
  </Level_1>
</Level_0>

当前代码示例：

files_list = ["file_1.xml", "file_2.xml"]
df = (spark.read.format('xml')
           .options(rowTag="Level_4")
           .load(','.join(files_list))

当前输出：（Id0 缺少属性的列）

+-------------+---------+
|Date         |Value    |
+-------------+---------+
|  2021-01-01 |     4_1 |
|  2021-01-02 |     4_2 |
|  2021-01-01 |     4_1 |
|  2021-01-02 |     4_2 |
+-------+---------------+

有一些例子，但没有一个能解决问题： -我正在使用数据块 spark_xml -https://github.com/databricks/spark-xml - 有一个例子，但没有属性读取，Read XML in spark，Extracting tag attributes from xml using sparkxml。

编辑： 正如@mck 正确指出的那样，<Level_2>A</Level_2> 不是正确的 XML 格式。我的示例中有一个错误（现在更正了 xml 文件），它应该是 <Level_2_A>A</Level_2_A>。之后，建议的解决方案甚至适用于多个文件。

注意：为了加快加载大量 xml 定义架构，如果没有定义架构，则在创建数据框以干扰架构时，火花正在读取每个文件... 欲了解更多信息：https://szczeles.github.io/Reading-JSON-CSV-and-XML-files-efficiently-in-Apache-Spark/

第 1 步）：

 files_list = ["file_1.xml", "file_2.xml"]
 # for schema seem NOTE above

 df = (spark.read.format('xml')
               .options(rowTag="Level_0")
               .load(','.join(files_list),schema=schema))
df.printSchema()

root
 |-- Level_1: struct (nullable = true)
 |    |-- Level_2: struct (nullable = true)
 |    |    |-- Level_3: struct (nullable = true)
 |    |    |    |-- Level_4: array (nullable = true)
 |    |    |    |    |-- element: struct (containsNull = true)
 |    |    |    |    |    |-- Date: string (nullable = true)
 |    |    |    |    |    |-- Value: string (nullable = true)
 |    |-- Level_2_A: string (nullable = true)
 |    |-- _Id1_1: string (nullable = true)
 |    |-- _Id_2: string (nullable = true)
 |-- _Id0: string (nullable = true

第 2 步）见下文@mck 解决方案：

【参考方案1】：

您可以使用Level_0 作为rowTag，并分解相关的数组/结构：

import pyspark.sql.functions as F

df = spark.read.format('xml').options(rowTag="Level_0").load('line_removed.xml')

df2 = df.select(
    '_Id0', 
    F.explode_outer('Level_1.Level_2.Level_3.Level_4').alias('Level_4')
).select(
    '_Id0',
    'Level_4.*'
)

df2.show()
+---------------+----------+-----+
|           _Id0|      Date|Value|
+---------------+----------+-----+
|Id0_value_file1|2021-01-01|  4_1|
|Id0_value_file1|2021-01-02|  4_2|
+---------------+----------+-----+

【讨论】：

你是明星！关于 XML 行应该是<Level_2_A>A</Level_2_A>。

@Dan nice，这样就解决了这个问题