[英]Extracting elements from XML records using Spark / Scala
我正在尝试从 XML 记录中提取元素,其中每个 xml 文件都有许多 XML 记录。 下面是我正在使用的修改后的代码和示例 xml。
我期待一个字符串数组,其中数组的每个元素都是"user:id"
但结果是":"
。 我期待XML.loadString
解析每个文件,结果将是单独的 XML 记录。 这意味着如果我以两个示例文件为例,我最终会得到 4 个 XML 记录。 照原样,是两个。
在获取next
一个之后添加println(d)
之后,我得到的是代表文件的整个字符串,这可能是getId
和getUser
函数不返回任何内容的原因。
我是否错误地处理了负载?
import org.apache.spark.{SparkConf, SparkContext}
import scala.xml._
import scala.collection.mutable.ArrayBuffer
object Details {
def getDetails(xmlstring: String): Iterator[Node] = {
val nodes = XML.loadString(xmlstring)
nodes.toIterator
}
def getId(detail: Node): String = {
(detail \ "id").text
}
def getUser(detail: Node): String = {
(detail \ "user").text
}
def getDetailList(details: Iterator[Node]): Array[String] = {
var list = ArrayBuffer[String]()
while (details.hasNext) {
val d = details.next
val user = getUser(d)
val id = getId(d)
val formattedText = user + ":" + id
list += formattedText
}
list.toArray
}
def main(args: Array[String]) {
val conf = new SparkConf().setAppName("Details")
val sc: SparkContext = new SparkContext(conf)
val lines = sc.wholeTextFiles("file:///path/to/files/")
val xmlStrings = lines.map(line => line._2)
val detailsRecords = xmlStrings.map(getDetails)
val detailsList = detailsRecords.map(getDetailList)
spark.stop()
}
}
和两个示例文件...
test.xml
<details>
<detail>
<user>Dan</user>
<id>5555</id>
</detail>
<detail>
<user>Mike</user>
<id>6666</id>
</detail>
</details>
test2.xml
<details>
<detail>
<user>John</user>
<id>1234</id>
</detail>
<detail>
<user>Joe</user>
<id>5678</id>
</detail>
</details>
您应该将XML 用于 Spark 。
使用此库,您可以像这样读取所有xml 文件:
import org.apache.spark.sql.SQLContext
val sqlContext = new SQLContext(sc)
val df = sqlContext.read
.format("com.databricks.spark.xml")
.option("rowTag", "detail")
.load("/home/path-with-xml-files")
这将生成一个具有架构的 DataFrame:
+----+----+
| id|user|
+----+----+
|5555| Dan|
|6666|Mike|
|1234|John|
|5678| Joe|
+----+----+
然后从这个 DF 得到一个数组:
val id_users_array = df.collect
该数组具有以下类型:
id_users_array: Array[org.apache.spark.sql.Row] = Array([5555,Dan], [6666,Mike], [1234,John], [5678,Joe])
如果您只想打印 ID:
id_users_array.map(r => r.get(0)).foreach(println)
输出:
5555
6666
1234
5678
希望这可以帮助。
已经晚了 4 个月,但我想我得到了你的答案。
问题在于getDetails()
函数。 你必须告诉 Scala 什么被定义为“节点”,在这种情况下是<detail>
。 所以只需修改你的代码如下:
def getDetails(xmlstring: String): Iterator[Node] = {
val nodes = XML.loadString(xmlstring) \\ "detail"
nodes.toIterator
}
在XML.loadString()
末尾附加\\\\ "detail"
是让代码按预期工作所需的全部内容。
干杯,
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.