XML文件

需求

1. 創建spark-xml圖書館作為一個Maven庫。對於Maven坐標,指定:

   • com.databricks: spark-xml_2.12: <版本>

   看到spark-xml釋放< / >的最新版本<版本>。

2. 安裝庫在一個集群中。

例子

本節中的示例使用了書< / >XML文件。

1. 檢索圖書XML文件:

   wget https://github.com/databricks/spark-xml/raw/master/src/test/resources/books.xml美元

2. 上傳文件DBFS。

/ * * /推斷模式創建表書使用xml選項(路徑“dbfs: / books.xml”,rowTag“書”)/ * * /指定列的名稱和類型創建表書(作者字符串,描述字符串,類型字符串,_id字符串,價格雙,publish_date字符串,標題字符串)使用xml選項(路徑“dbfs: / books.xml”,rowTag“書”)

/ /推斷模式進口com。磚。火花。xml。_/ /添加DataFrame.read.xml()方法瓦爾df=火花。讀。選項(“rowTag”,“書”)。xml(“dbfs: / books.xml”)瓦爾selectedData=df。選擇(“作者”,“_id”)selectedData。寫。選項(“rootTag”,“書”)。選項(“rowTag”,“書”)。xml(“dbfs: / newbooks.xml”)/ /指定模式進口org。apache。火花。sql。類型。{StructType,StructField,StringType,倍增式}瓦爾customSchema=StructType(數組(StructField(“_id”,StringType,可以為空=真正的),StructField(“作者”,StringType,可以為空=真正的),StructField(“描述”,StringType,可以為空=真正的),StructField(“類型”,StringType,可以為空=真正的),StructField(“價格”,倍增式,可以為空=真正的),StructField(“publish_date”,StringType,可以為空=真正的),StructField(“標題”,StringType,可以為空=真正的)))瓦爾df=火花。讀。選項(“rowTag”,“書”)。模式(customSchema)。xml(“books.xml”)瓦爾selectedData=df。選擇(“作者”,“_id”)selectedData。寫。選項(“rootTag”,“書”)。選項(“rowTag”,“書”)。xml(“dbfs: / newbooks.xml”)

#推斷模式圖書館(SparkR)sparkR.session(“地方[4]”,sparkPackages=c(“com.databricks: spark-xml_2.12: <版本>”))df< -read.df(“dbfs: / books.xml”,源=“xml”,rowTag=“書”)#默認“rootTag”和“rowTag”write.df(df,“dbfs: / newbooks.xml”,“xml”)#指定模式customSchema< -structType(structField(“_id”,“字符串”),structField(“作者”,“字符串”),structField(“描述”,“字符串”),structField(“類型”,“字符串”),structField(“價格”,“替身”),structField(“publish_date”,“字符串”),structField(“標題”,“字符串”))df< -read.df(“dbfs: / books.xml”,源=“xml”,模式=customSchema,rowTag=“書”)#在這種情況下,“rootTag”設置為“行”和“rowTag”設置為“行”。write.df(df,“dbfs: / newbooks.xml”,“xml”,“覆蓋”)

選項

• 讀

  • 路徑:XML文件的位置。接受標準Hadoop globbing表達式。

  • rowTag:行標簽治療作為一個行。例如,在這個XML<書> <書> <書>…< /書>,該值書。默認是行。

  • samplingRatio推斷模式:抽樣率(0.0 ~ 1)。默認值為1。可能的類型是StructType,ArrayType,StringType,LongType,倍增式,BooleanType,TimestampType和NullType,除非你提供一種模式。

  • excludeAttribute:是否排除屬性元素。默認是假的。

  • nullValue:治療價值零價值。默認是”“。

  • 模式:處理腐敗的方式記錄。默認是寬容的。

    • 寬容的:

      • 當遇到一個損壞的記錄,設置所有字段零畸形的字符串,並將配置一個新的領域columnNameOfCorruptRecord。

      • 當遇到一個字段錯誤的數據類型,設置的字段零。

    • DROPMALFORMED:忽略了損壞的記錄。

    • FAILFAST當它檢測到損壞的記錄:拋出一個異常。

  • inferSchema:如果真正的,試圖為每個生成的DataFrame推斷出一個適當的類型列,像一個布爾值、數字或日期類型。如果假,所有生成的字符串類型的列。默認是真正的。

  • columnNameOfCorruptRecord:新領域,畸形的名字字符串存儲。默認是_corrupt_record。

  • attributePrefix:前綴,以便區分屬性和元素。這是字段名稱的前綴。默認是_。

  • valueTag:標簽用於一個元素中的屬性值時,沒有子元素。默認是_VALUE。

  • 字符集:默認為utf - 8但可以設置為其他有效字符集名稱。

  • ignoreSurroundingSpaces:周圍空白值是否應該被忽略。默認是假的。

  • rowValidationXSDPath:道路一個XSD文件,用於驗證XML為每一行。行,無法驗證被當做解析的錯誤。XSD並不否則影響提供的模式或推斷。如果相同的本地路徑也沒有可見的執行人集群,然後XSD和任何其他這取決於應該添加到火花執行人SparkContext.addFile< / >。在這種情況下,使用當地的XSD/ foo / bar.xsd,叫addFile (“/ foo / bar.xsd”)並通過“bar.xsd”作為rowValidationXSDPath。

• 寫

  • 路徑:位置寫文件。

  • rowTag:行標簽治療作為一個行。例如,在這個XML<書> <書> <書>…< /書>,該值書。默認是行。

  • rootTag治療作為根:根標記。例如,在這個XML<書> <書> <書>…< /書>,該值書。默認是行。

  • nullValue:寫的價值零價值。默認值是字符串“零”。當“零”,它不為字段寫屬性和元素。

  • attributePrefix:前綴的屬性來區分屬性和元素。這是字段名稱的前綴。默認是_。

  • valueTag:標簽用於一個元素中的屬性值時,沒有子元素。默認是_VALUE。

  • 壓縮:壓縮編解碼器使用在保存文件。應該是類的完全限定名稱實現嗎org.apache.hadoop.io.compress.CompressionCodec或一個不區分大小寫的短名稱(bzip2,gzip,lz4,時髦的)。默認是沒有壓縮。

XSD的支持

你可以驗證個別行針對XSD模式使用rowValidationXSDPath。

您使用該實用程序com.databricks.spark.xml.util.XSDToSchema提取一個火花DataFrame模式一些XSD文件。它隻支持簡單的、複雜的和序列類型,隻有基本的XSD功能,是實驗。

進口com。磚。火花。xml。跑龍套。XSDToSchema進口java。nio。文件。路徑瓦爾模式=XSDToSchema。讀(路徑。得到(“/道路/ / your.xsd”))瓦爾df=火花。讀。模式(模式)....xml(…)

嵌套的XML解析

盡管主要用於將XML文件轉換為DataFrame,您還可以使用from_xml方法來解析XML的string值列在現有DataFrame並添加一個新列與解析結果的結構:

進口com。磚。火花。xml。功能。from_xml進口com。磚。火花。xml。schema_of_xml進口火花。值得一提的。_瓦爾df=…/ / / DataFrame XML列“有效載荷”瓦爾payloadSchema=schema_of_xml(df。選擇(“有效載荷”)。作為(字符串])瓦爾解析=df。withColumn(“解析”,from_xml(美元“有效載荷”,payloadSchema))

轉換規則

由於DataFrames和XML之間結構上的差異,還有一些從XML數據轉換規則從DataFrame DataFrame和XML數據。你可以禁用處理屬性的選擇excludeAttribute。

|——一個:數組(可以為空=真正的)||——元素:數組(containsNull=真正的)|||——元素:字符串(containsNull=真正的)

+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +|一個|+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +|(WrappedArray(aa),WrappedArray(bb)]|+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +

<一><項目>aa< /商品>< / ><一><項目>bb< /商品>< / >