如何在 spark-xml 中禁用科学记数法

Question

如何在使用 databrick spark-xml 库读取 xml 文件时禁用科学记数法。这是场景，我的 XML 文件包含 space 这样的数值

<V1>42451267 </V1>

我得到的是 4.2451267E7 而不是 42451267

我该如何解决

我的代码和xml文件在下面

val xmlLocation = "sampleFile/xml/sample.xml"
val rootTag = "RTS"
val rowTag = "COLUMNTYPE"
val sqlContext = MySparkDriver.getSqlContext().
  read.format("com.databricks.spark.xml")
if (rootTag != null && rootTag.size == 0)
  sqlContext.option("rootTag", rootTag)
sqlContext.option("rowTag", rowTag)
val xmlDF = sqlContext.load(xmlLocation)
xmlDF.show(false)

输出

[WrappedArray(4232323.0, 4.2451267E7),21-11-2000 01:04:34,NTS,212212112,100.0,100.0]

预计

[WrappedArray(4232323, 42451267),21-11-2000 01:04:34,NTS,212212112,100.0000,100.0000]

XML 文件

<RTS>
<COLUMNTYPE>
    <D1>
        <V1>4232323</V1>
        <V1>42451267 </V1>
        <V2>21-11-2000 01:04:34</V2>
        <V3>NTS</V3>
        <V4>212212112</V4>
        <V7>100.0000</V7>
        <V8>100.0000 </V8>

    </D1>
</COLUMNTYPE>
</RTS>

如有任何帮助，我们将不胜感激。

Answer 1

我不太确定所有这些的意义是什么，但我在这里看到基本上有两个选择：

如果所有字段都可以解释为大整数，或者您的目标是将这些字段作为整数使用类型转换，应该或多或少地提供您想要的内容，而不会显着损失功能：

case class D1(
  v1: Seq[Double], v2: String, v3: String, v4: Long, v7: Double, v8: Double
)
case class ColumnType(d1: D1)

val df = Seq(ColumnType(D1(
  Seq(4232323, 42451267), 
  "21-11-2000 01:04:34",
  "NTS",
  212212112,
  100.0000,
  100.0000
))).toDF()

df.select(struct(
  $"d1.v1".cast("array<bigint>").alias("v1"),
  $"d1.v2", $"d1.v3", $"d1.v4", $"d1.v7", $"d1.v8"
).alias("d1"))

如果出于演示原因需要特定的数字格式，您可以将数据转换为格式化字符串数组：

val toFormatted = udf((xs: Seq[Double]) => xs.map(x => f"$x%4.0f"))

df.select(struct(
  toFormatted($"d1.v1").alias("v1"),
  $"d1.v2", $"d1.v3", $"d1.v4", $"d1.v7", $"d1.v8"
).alias("d1"))

Answer 2

TypeCast class 的 isLong 函数无法预测数据类型，因为您的值“42451267”包含 space

但是，如果您想将其视为长值，请定义您自己的自定义架构，其中 "V1" 列数据类型为 StringType

val xmlLocation = "sampleFile/xml/sample.xml"
val rootTag = "RTS"
val rowTag = "COLUMNTYPE"
val sqlContext = MySparkDriver.getSqlContext().
  read.format("com.databricks.spark.xml")
if (rootTag != null && rootTag.size == 0)
  sqlContext.option("rootTag", rootTag)
sqlContext.option("rowTag", rowTag)

自定义架构

val customSchema = StructType(Array(
  StructField("D1", StructType(
    Seq(StructField("V1", ArrayType(StringType, true), true),
      StructField("V2", StringType, true),
      StructField("V3", StringType, true),
      StructField("V4", LongType, true),
      StructField("V7", DoubleType, true),
      StructField("V8", DoubleType, true))), true)))
sqlContext.schema(customSchema)

为 trim 个值创建 udf

import org.apache.spark.sql.functions._
val toTrim = udf((xs: Seq[String]) => xs.map(_.trim()))

应用 udf 并将类型强制转换为 long

val xmlDF = sqlContext.load(xmlLocation).select(struct(
  toTrim(col("D1.V1")).cast("array<long>").alias("V1"),
  col("D1.V2"), col("D1.V3"), col("D1.V4"), col("D1.V7"), col("D1.V8"))
  .alias("D1"))
xmlDF.printSchema
xmlDF.show(false)

如何在 spark-xml 中禁用科学记数法

How to disable scientific notation in spark-xml

scala

apache-spark

dataframe

scientific-notation