python解析pysparkDataframe中的xml列

zxlwwiss  于 2021-05-27  发布在  Spark
关注(0)|答案(1)|浏览(415)

我对pyspark比较陌生,正在尝试解决一个数据问题。我有一个pyspark df,它是用从mssqlserver提取的数据创建的,有两列:id(integer)和xmlmsg(string)。第二列xmlmsg包含xml格式的数据。目标是解析xmlmsg列,并使用从xml中提取的列在同一df中创建其他列。
以下是pyspark df的示例结构:

  1. ID XMLMsg
  2. 101 ...<a><b>name1</b><c>loc1</c></a>...<d>dept1</d>...
  3. 102 ...<a><b>name2</b><c>loc2</c></a>...<d>dept2</d>...
  4. 103 ...<a><b>name3</b><c>loc3</c></a>...<d>dept3</d>...

预期输出为:

  1. ID XMLMsg b c d
  2. 101 ...<a><b>name1</b><c>loc1</c></a>...<d>dept1</d>... name1 loc1 dept1
  3. 102 ...<a><b>name2</b><c>loc2</c></a>...<d>dept2</d>... name2 loc2 dept2
  4. 103 ...<a><b>name3</b><c>loc3</c></a>...<d>dept3</d>... name3 loc3 dept3

我尝试了一些建议,根据我的搜索,所以;但未能达到预期效果。因此,寻求一些帮助和指导。谢谢你的时间。

fkaflof6

fkaflof61#

考虑到我必须从一个巨大的xml文件中获取4个节点的文本,我最终使用lambda和udf解决了这个问题。由于xml文件已经在一列中,并且是pysparkDataframe的一部分,所以我不想以文件的形式编写并再次解析整个xml。我还想避免使用xsd模式。实际的xml有多个名称空间和一些具有特定条件的节点。例子:

  1. <ap:applicationproduct xmlns:xsi="http://www.example.com/2005/XMLSchema-instance" xmlns:ap="http://example.com/productinfo/1_6" xmlns:ct="http://example.com/commontypes/1_0" xmlns:dc="http://example.com/datacontent/1_0" xmlns:tp="http://aexample.com/prmvalue/1_0" ....." schemaVersion="..">
  2. <ap:ParameterInfo>
  3. <ap:Header>
  4. <ct:Version>1.0</ct:Version>
  5. <ct:Sender>ABC</ct:Sender>
  6. <ct:SenderVersion />
  7. <ct:SendTime>...</ct:SendTime>
  8. </ap:Header>
  9. <ap:ProductID>
  10. <ct:Model>
  11. <ct:Series>34AP</ct:Series>
  12. <ct:ModelNo>013780</ct:ModelNo>
  13. ..............
  14. ..............
  15. <ap:Object>
  16. <ap:Parameter schemaVersion="2.5" Code="DDA">
  17. <dc:Value>
  18. <tp:Blob>mbQAEAgBTgKQEBAX4KJJYABAIASL0AA==</tp:Blob>
  19. </dc:Value>
  20. </ap:Parameter>
  21. .........
  22. ........

这里我需要从ct:modelno和tp:blob中提取值

  1. from pyspark.sql.types import *
  2. from pyspark.sql.functions import udf
  3. import xml.etree.ElementTree as ET
  4. # List of namespaces to be used:
  5. ns = {'ap' : 'http://example.com/productinfo/1_6',
  6. 'ct':'http://example.com/commontypes/1_0',
  7. 'dc':'http://example.com/datacontent/1_0',
  8. 'tp':'http://aexample.com/prmvalue/1_0'
  9. }
  10. parsed_model = (lambda x: ET.fromstring(x).find('ap:ParameterInfo/ap:ProductID/ct:Model/ct:ModelNo', ns).text)
  11. udf_model = udf(parsed_model)
  12. parsed_model_df = df.withColumn('ModelNo', udf_Model('XMLMsg'))

对于具有blob值的节点,也可以编写类似的函数,但节点的路径为:“ap:parameterinfo/ap:object/ap:parameter[@code=“dda”]/dc:value/tp:blob”
这对我很有用,我能够在pyspark df中添加所需的值。不过,我们欢迎您提出任何建议,使之更好。谢谢您!

展开查看全部

相关问题