在 Pyspark 中读取 xml 文件

Question

我打开了一个 spark 会话和一个包含 .xml 文件的目录。我只想读取 .xml 文件的架构，但我猜 spark 不会直接执行它，就好像我想读取镶木地板一样。

我的意思是，我正在尝试做类似的事情：

path = "/.../.../.../filename.xml"
df_xml = spark.read.format("xml").option("rowTag", "<the rowTag name here>").load(path)
df_xml.printSchema()

我得到的是：

File "/opt/mapr/spark/spark-2.4.4/python/pyspark/sql/readwriter.py", line 166, in load
    return self._df(self._jreader.load(path))
  File "/opt/mapr/spark/spark-2.4.4/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
  File "/opt/mapr/spark/spark-2.4.4/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/opt/mapr/spark/spark-2.4.4/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o92.load.
: java.lang.ClassNotFoundException: Failed to find data source: xml. 

Caused by: java.lang.ClassNotFoundException: xml.DefaultSource

有没有人尝试在 pyspark 中读取 xml 文件的架构？我是新手，非常感谢您的反馈。

Answer 1

Parquet 格式包含有关架构的信息，XML 不包含。您不能只读取模式而不从数据中推断它。

由于我没有关于您的 XML 文件的信息，我将使用此示例：XML Sample File

将 XML 样本保存到 sample.xml，您必须指定 Spark XML package 才能解析 XML 文件。

示例如下：

from pyspark.sql import SparkSession

if __name__ == "__main__":
    spark = SparkSession \
        .builder \
        .appName("Test") \
        .config("spark.jars.packages", "com.databricks:spark-xml_2.12:0.13.0") \
        .getOrCreate()

    df = spark.read.format('xml').options(rowTag='catalog').load('sample.xml')
    df.printSchema()

结果是：

root
 |-- book: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- _id: string (nullable = true)
 |    |    |-- author: string (nullable = true)
 |    |    |-- description: string (nullable = true)
 |    |    |-- genre: string (nullable = true)
 |    |    |-- price: double (nullable = true)
 |    |    |-- publish_date: date (nullable = true)
 |    |    |-- title: string (nullable = true)

在 Pyspark 中读取 xml 文件

reading a xml file in Pyspark

xml

apache-spark

pyspark

python-xmlschema