[英]Regex on io.Text RDD using scala
我有個問題。 我需要從這樣的文件中提取一些數據:
(3269,
<page>
<title>Anarchism</title>
<ns>0</ns>
<id>12</id>
<revision>...
)
(194712,
<page>
<title>AssistiveTechnology</title>
<ns>0</ns>
<id>23</id>..
) etc...
該文件是使用以下命令生成的:
val conf = new Configuration
conf.set("textinputformat.record.delimiter", "</page>")
val rdd=sc.newAPIHadoopFile("sample.bz2", classOf[TextInputFormat], classOf[LongWritable], classOf[Text], conf)
rdd.map{case (k,v) => (k.get(), new String(v.copyBytes()))}
我需要獲取標題內容。 我正在使用正則表達式,但是輸出文件仍然為空。 我的代碼是這樣的:
val xx = rdd.map(x => x._2).filter(x => x.matches(".*<title>([A-Za-z]+)<\\/title>.*"))
我也嘗試以下方法:
".*<title>([A-Za-z]+)</title>.*"
並使用這個:
val reg = ".*<title>([\\w]+)</title>.*".r
val xx = rdd.map(x => x._2).filter(x => reg.pattern.matcher(x).matches)
我使用sbt創建.jar並使用spark-submit運行。
順便說一句,使用spark-shell它起作用:S
我需要你的幫助。 謝謝。
您可以使用內置的Scala對XML的支持。 就像是
導入scala.xml._
rdd.map(x =>(XML.loadString(x._2)\\“ title”)。text)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.