Question

我正在尝试很好地表示XML ...为了简单起见，我们假设我们有以下XML

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

理想情况下，我想将此转换为具有一列的某个表：

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

（我在这里用引号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测试的，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

大多数其他问题只是检测空/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。

我有一个想法是尝试使用concat ...为所有节点添加一些字符串（包括空节点）。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。

最终解决方案（从此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，这是不可能的

Answer 1

你可以在R中执行以下操作：

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

可以在 Hive 中使用 xpath() 来实现。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;

使用xpath检索空和非空节点

2 个答案: