Question

我试图用spark读取xml文件，并将其转换为JavaRDD数组。我已经阅读了有关如何将其转换为DataSet的信息，但是我想知道JavaRDD是否有可能。我不得不提到，在我的xml文件中，我有一个列表，该列表并不总是相同的大小。这是我的XML文件的示例。

 <?xml version="1.0" encoding="UTF-8" standalone="no"?>
<logs>
    <log>
        <id>1</id>
        <clientId>1</clientId>
        <date>Wed Apr 03 21:16:18 EEST 2019</date>
        <itemList>
            <item>2</item>
        </itemList>
    </log>
    <log>
        <id>2</id>
        <clientId>2</clientId>
        <date>Wed Apr 03 21:16:19 EEST 2019</date>
        <itemList>
            <item>1</item>
            <item>2</item>
            <item>3</item>
        </itemList>
    </log>
</logs>

谢谢！

Answer 1

这是一个可能的解决方案：https://github.com/databricks/spark-xml/issues/213

这是您需要的：

import com.databricks.spark.xml.XmlReader

val rdd = sc.parallelize(Seq("<books><book>book1</book><book>book2</book></books>"))
val df = new XmlReader().xmlRdd(spark.sqlContext, rdd)
df.show

+--------------+
|          book|
+--------------+
|[book1, book2]|
+--------------+

df.printSchema

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

从rdd到JavaRDD相当简单。（wrapRdd，请参阅文档）。

希望它能回答您的问题。

将Apache Spark XML转换为JavaRDD

1 个答案: