使用 xpath 检索空节点和非空节点

Question

我试图得到一个很好的 XML 表示......为了简单起见，假设我们有以下 XML

<div>
    <em>5</em>
    <em></em>
    <em></em>
    <em>A</em>
</div>

理想情况下，我想将其转换为具有一列的某个表：

| em |
------
| "5"| 
| "" |
| "" |
| "A"|

（我在这里使用引号来清楚地表明我也想要空节点）

我尝试了几个 xpath 查询.. 最简单的一个是我用 R 测试过的，在这里我会得到

z = read_xml("<div>
        <em>5</em>
        <em></em>
        <em></em>
        <em>A</em>
</div>")
z

xml_find_all(z,"//*[name() = 'em']/text()")

{xml_nodeset (2)}
[1] 5
[2] A

大多数其他问题都是关于只检测空/非空单元格..或选择第一个非空单元格..但我不知道如何在这里使用它。

我的一个想法是尝试使用 concat... 向所有节点（包括空节点）添加一些字符串。 但是，这是一个 Xpath 2.0 解决方案 (AFAIK)，这不是一个可行的解决方案。

最终的解决方案（从这个 XML 中提取信息）将在 Hive 中实现。 我使用一些 Serde 功能来获取信息..然后将其存储为数组..然后我想将其转换为普通表..但如果由于长度差异而未检索到缺失值，则这是不可能的

Answer 1

在R您可以执行以下操作：

library(xml2)
library(magrittr)
z = read_xml("<div>
             <em>5</em>
             <em></em>
             <em></em>
             <em>A</em>
        </div>")
z %>% 
    xml_find_all('em') %>% 
    xml_text()

#> [1] "5" ""  ""  "A"

或者，没有管道：

library(xml2) 
xml_text(xml_find_all(z, 'em'))
#> [1] "5" ""  ""  "A"

Answer 2

可以使用 xpath() 在 Hive 中做到这一点。 不幸的是，Hive 实现了 xpath 1.0。 因此，无法访问有助于以更优雅的方式处理缺失值的函数。

我可以处理它的唯一方法是在 xpath 表达式中使用“或”语句，当 xpath 值为空时，该语句将输出默认值。 在您的情况下，没有默认元素，因此我使用 regexp_replace() 创建了一个：

select xplode.*
     from (select 0) t
     lateral view explode(xpath(regexp_replace('<div><em>5</em><em></em><em></em><em>A</em></div>', '<em>','<em dflt = "">'),'div/em/text()| div/em[not(./text())]/@dflt')) xplode  as em;