查询具有多个XML对象的日志文件

Question

我正在开发一个分析Hadoop中日志文件的项目。这些文件以XML格式存储元数据。问题是，每个文件存储多个请求，因此同一文件中有多个根元素。我无法更改日志文件。有人可以帮助如何使用Hive查询文件？ 该文件的一个例子是

  <?xml version="1.0" encoding="UTF-8" ?> 
    <book>
       <title>C Proramming </title>
       <price> 120.00 </price>
    </book> 
    <book>
        <title> Java for Dummies </title>
        <price> 400 </price>
    </book>

现在，有2个根元素，或者更确切地说是没有，因为您希望看到它。我如何继续查询这样的文件？

提前多多感谢。

Answer 1

@glenatron指出，这不是一个格式良好的XML文档。如果要将其作为XML处理，则此处只有两个选项：

1）将元素包装在根元素中以创建格式良好的文档

2）将该文件分解为许多小型XML文档。

我不确定您可以使用哪些工具，但如果我是从Java读取它，我可能会创建一个自定义子类InputStream或Reader，以动态为它添加一个start元素（在文档声明之后）和带有结束元素的后缀。通过这种方式，我可以将此流/阅读器提供给任何XML DOM / SAX解析器或XPath / XQuery引擎，并将其视为有效的XML文档。