Читать XML с помощью PySpark - PullRequest
Новая
       14

Читать XML с помощью PySpark

0 голосов
/ 05 декабря 2018

Я пытаюсь читать XML с помощью PySpark, но у меня есть некоторые проблемы.

Я использую этот код: 

df_cli = sqlContext.read.format('com.databricks.spark.xml').options(rowTag='Cli').load('MyFile.txt', schema = schema_xml)

и MyFile.txt: 

<Cli Tp="1" Cd="8338" Autorzc="S">
  <Op Contrt="1" NatuOp="01" Mod="1304">
    <Venc v110="   123" v120="   123"/>
  </Op>
  <Op Contrt="2" NatuOp="01" Mod="1304">
    <Venc v110="   123" v120="   123"/>
  </Op>
</Cli>

<Cli Tp="2" Cd="8568" Autorzc="N">
  <Op Contrt="3" NatuOp="01" Mod="1304">
    <Venc v110="   123" v120="   123"/>
  </Op>
  <Op Contrt="4" NatuOp="01" Mod="1304">
    <Venc v110="   123" v120="   123"/>
  </Op>
</Cli>

Схема: 

schema_xml = StructType([
    StructField("@Autorzc", StringType(), True),
    StructField("@Cd", StringType(), True),
    StructField("@Tp", StringType(), True),
    StructField("Op",
            StructType([
                    StructField("@Contrt", StringType(), True),
                    StructField("@Mod", StringType(), True),
                    StructField("@NatuOp", StringType(), True),
                    StructField("Venc",
                            StructType([
                                    StructField("@v110", StringType(), True),
                                    StructField("@v120", StringType(), True)
                            ])
                    )
            ])
    )
])

Когда я запускаю этот код, мой вывод таков: 

Row(@Autorzc=u'S', @Cd=u'8338', @Tp=u'1', Op=Row(@Contrt=u'2', @Mod=u'1304', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123)))
Row(@Autorzc=u'N', @Cd=u'8568', @Tp=u'2', Op=Row(@Contrt=u'4', @Mod=u'0202', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123)))

В результате получается только последний 'Op' в каждом 'Cli', но я ожидал получить все 'Op' внутри каждого 'Cli' в списке, например: 

Row(@Autorzc=u'S', @Cd=u'8338', @Tp=u'1', Op=[Row(@Contrt=u'1', @Mod=u'1304', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123)), Row(@Contrt=u'2', @Mod=u'1304', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123))])
Row(@Autorzc=u'N', @Cd=u'8568', @Tp=u'2', Op=[Row(@Contrt=u'3', @Mod=u'1304', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123)), Row(@Contrt=u'4', @Mod=u'1304', @NatuOp=u'01', Venc=Row(@v110=u'   123', @v120=u'   123))])

Obs: В моем исходном файле я могу иметь 1, 2, 3 ... N 'Op ', и каждый' Op 'имеет только 1' Venc '.

Я использую эту документацию .

...