使用 spark-xml 库读取和写入 XML 数据

本文介绍如何读取和写入 XML 文件作为 Apache Spark 数据源。

要求

1. 将 spark-xml 库创建为 Maven 库。 针对 Maven 坐标，请指定：

   • Databricks Runtime 7.x 及更高版本：com.databricks:spark-xml_2.12:<release>

   有关最新版 <release>，请参阅 spark-xml 版本。

2. 在群集上安装库。

示例

本部分中的示例使用 books XML 文件。

1. 检索 books XML 文件：

   $ wget https://github.com/databricks/spark-xml/raw/master/src/test/resources/books.xml
   

2. 将文件上传到 DBFS。

读取和写入 XML 数据

SQL

/*Infer schema*/

CREATE TABLE books
USING xml
OPTIONS (path "dbfs:/books.xml", rowTag "book")

/*Specify column names and types*/

CREATE TABLE books (author string, description string, genre string, _id string, price double, publish_date string, title string)
USING xml
OPTIONS (path "dbfs:/books.xml", rowTag "book")

Scala

// Infer schema

import com.databricks.spark.xml._ // Add the DataFrame.read.xml() method

val df = spark.read
  .option("rowTag", "book")
  .xml("dbfs:/books.xml")

val selectedData = df.select("author", "_id")
selectedData.write
  .option("rootTag", "books")
  .option("rowTag", "book")
  .xml("dbfs:/newbooks.xml")

// Specify schema

import org.apache.spark.sql.types.{StructType, StructField, StringType, DoubleType}

val customSchema = StructType(Array(
  StructField("_id", StringType, nullable = true),
  StructField("author", StringType, nullable = true),
  StructField("description", StringType, nullable = true),
  StructField("genre", StringType, nullable = true),
  StructField("price", DoubleType, nullable = true),
  StructField("publish_date", StringType, nullable = true),
  StructField("title", StringType, nullable = true)))

val df = spark.read
  .option("rowTag", "book")
  .schema(customSchema)
  .xml("books.xml")

val selectedData = df.select("author", "_id")
selectedData.write
  .option("rootTag", "books")
  .option("rowTag", "book")
  .xml("dbfs:/newbooks.xml")

R

# Infer schema

library(SparkR)

sparkR.session("local[4]", sparkPackages = c("com.databricks:spark-xml_2.12:<release>"))

df <- read.df("dbfs:/books.xml", source = "xml", rowTag = "book")

# Default `rootTag` and `rowTag`
write.df(df, "dbfs:/newbooks.xml", "xml")

# Specify schema

customSchema <- structType(
  structField("_id", "string"),
  structField("author", "string"),
  structField("description", "string"),
  structField("genre", "string"),
  structField("price", "double"),
  structField("publish_date", "string"),
  structField("title", "string"))

df <- read.df("dbfs:/books.xml", source = "xml", schema = customSchema, rowTag = "book")

# In this case, `rootTag` is set to "ROWS" and `rowTag` is set to "ROW".
write.df(df, "dbfs:/newbooks.xml", "xml", "overwrite")

选项

• 读取
  • path：XML 文件的位置。 接受标准 Hadoop 通配表达式。
  • rowTag：该行标记将视为行。 例如，在此 XML <books><book><book>...</books> 中，该值为 book。 默认值为 ROW。
  • samplingRatio：推理架构的采样率 (0.0-1)。 默认值为 1。 可用类型为 StructType、ArrayType、StringType、LongType、DoubleType、BooleanType、TimestampType 和 NullType，除非提供架构。
  • excludeAttribute：是否排除元素中的属性。 默认值为 false。
  • nullValue：该值将视为 null 值。 默认值为 ""。
  • mode：用于处理损坏记录的模式。 默认值为 PERMISSIVE。
    • PERMISSIVE：
      • 遇到损坏的记录时，会将所有字段设置为 null，并将格式错误的字符串放入 columnNameOfCorruptRecord 配置的新字段中。
      • 遇到数据类型错误的字段时，会将有问题的字段设置为 null。
    • DROPMALFORMED：忽略损坏的记录。
    • FAILFAST：检测到损坏的记录时引发异常。
  • inferSchema：如果为 true，则尝试为生成的每个 DataFrame 列推理一个相应的类型，例如布尔、数字或日期类型。 如果为 false，则生成的所有列均为字符串类型。 默认值为 true。
  • columnNameOfCorruptRecord：存储格式错误的字符串的新字段的名称。 默认值为 _corrupt_record。
  • attributePrefix：属性的前缀，用于区分属性和元素。 这是字段名称的前缀。 默认值为 _。
  • valueTag：元素中没有子元素但有属性时用于值的标记。 默认值为 _VALUE。
  • charset：默认为 UTF-8，但可设置为其他有效字符集名称。
  • ignoreSurroundingSpaces：是否应跳过值周围的空格。 默认值为 false。
  • rowValidationXSDPath：XSD 文件的路径，用于验证每行的 XML。 未能通过验证的行视为上述解析错误。 XSD 不会以其他方式影响提供或推理的架构。 如果群集中的执行程序上未显示上述本地路径，则应使用 SparkContext.addFile 将 XSD 及其依赖的其他任何路径添加到 Spark 执行程序。 在这种情况下，若要使用本地 XSD /foo/bar.xsd，请调用 addFile("/foo/bar.xsd") 并将 "bar.xsd" 作为 rowValidationXSDPath 传递。
• 写入
  • path：写入文件的位置。
  • rowTag：该行标记将视为行。 例如，在此 XML <books><book><book>...</books> 中，该值为 book。 默认值为 ROW。
  • rootTag：该根标记将视为根。 例如，在此 XML <books><book><book>...</books> 中，该值为 books。 默认值为 ROWS。
  • nullValue：该值将写入 null 值。 默认值为字符串 "null"。 当为 "null" 时，它不会为字段写入属性和元素。
  • attributePrefix：属性的前缀，用于区分属性和元素。 这是字段名称的前缀。 默认值为 _。
  • valueTag：元素中没有子元素但有属性时用于值的标记。 默认值为 _VALUE。
  • compression：保存到文件时使用的压缩编解码器。 应是实现 org.apache.hadoop.io.compress.CompressionCodec 的类的完全限定名称，或是不区分大小写的短名称之一（bzip2、gzip、lz4 和 snappy）。 默认为不压缩。

支持使用短名称；可以使用 xml 代替 com.databricks.spark.xml。

XSD 支持

可以使用 rowValidationXSDPath 针对 XSD 架构验证各行。

可以使用实用工具 com.databricks.spark.xml.util.XSDToSchema 从某些 XSD 文件中提取 Spark DataFrame 架构。 它仅支持简单类型、复杂类型和序列类型，仅支持基本 XSD 功能，且处于试验阶段。

import com.databricks.spark.xml.util.XSDToSchema
import java.nio.file.Paths

val schema = XSDToSchema.read(Paths.get("/path/to/your.xsd"))
val df = spark.read.schema(schema)....xml(...)

分析嵌套 XML

尽管 from_xml 方法主要用于将 XML 文件转换为 DataFrame，但也可以使用它在现有的 DataFrame 中解析字符串值列中的 XML，然后将其添加为新列，并将解析结果作为结构：

import com.databricks.spark.xml.functions.from_xml
import com.databricks.spark.xml.schema_of_xml
import spark.implicits._

val df = ... /// DataFrame with XML in column 'payload'
val payloadSchema = schema_of_xml(df.select("payload").as[String])
val parsed = df.withColumn("parsed", from_xml($"payload", payloadSchema))

转换规则

由于 DataFrame 和 XML 之间存在结构差异，因此对于从 XML 数据转换为 DataFrame 以及从 DataFrame 转换为 XML 数据来说，有一些转换规则。 可以使用选项 excludeAttribute 禁止处理某些属性。

将 XML 转换为 DataFrame

• 属性：属性会转换为具有 attributePrefix 选项中指定的前缀的字段。 如果 attributePrefix 为 _，则以下文档

  <one myOneAttrib="AAAA">
      <two>two</two>
      <three>three</three>
  </one>
  

  将生成以下架构：

  root
  |-- _myOneAttrib: string (nullable = true)
  |-- two: string (nullable = true)
  |-- three: string (nullable = true)
  

• 如果元素有属性但没有子元素，则属性值将位于 valueTag 选项中指定的独立字段。 如果 valueTag 为 _VALUE，则以下文档

  <one>
      <two myTwoAttrib="BBBBB">two</two>
      <three>three</three>
  </one>
  

  将生成以下架构：

  root
  |-- two: struct (nullable = true)
  |    |-- _VALUE: string (nullable = true)
  |    |-- _myTwoAttrib: string (nullable = true)
  |-- three: string (nullable = true)
  

将 DataFrame 转换为 XML

从具有 ArrayType 字段且其元素为 ArrayType 的 DataFrame 写入 XML 文件时，将为该元素提供额外的嵌套字段。 读写 XML 数据时不会发生这种情况，但写入从其他源读取的 DataFrame 时会。 因此，读写和写读 XML 文件具有同一结构，但写入从其他源读取的 DataFrame 可能具有另一结构。

如果 DataFrame 具有以下架构：

 |-- a: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)

和以下数据：

+------------------------------------+
|                                   a|
+------------------------------------+
|[WrappedArray(aa), WrappedArray(bb)]|
+------------------------------------+

则将生成以下 XML 文件：

<a>
  <item>aa</item>
</a>
<a>
  <item>bb</item>
</a>