我是PySpark的新手,正在尝试解决一个数据问题。我有一个pyspark DF,它是用从MS SQL Server提取的数据创建的,有两列:ID(整数)和XMLMsg(字符串)。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:
ID XMLMsg
101 ...<a><b>name1</b><c>loc1</c></a>...<d>dept1</d>...
102 ...<a><b>name2</b><c>loc2</c></a>...<d>dept2</d>...
103 ...<a><b>name3</b><c>loc3</c></a>...<d>dept3</d>...
预期产出为:
ID XMLMsg b c d
101 ...<a><b>name1</b><c>loc1</c></a>...<d>dept1</d>... name1 loc1 dept1
102 ...<a><b>name2</b><c>loc2</c></a>...<d>dept2</d>... name2 loc2 dept2
103 ...<a><b>name3</b><c>loc3</c></a>...<d>dept3</d>... name3 loc3 dept3
根据我在SO的搜索,我尝试了一些建议;但未能达到预期效果。因此,寻求一些帮助和指导。谢谢你抽出时间
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pyspark数据框架的一部分,所以我不想以文件的形式编写并再次解析整个XML。我还希望避免使用XSD模式。 实际的xml有多个名称空间,还有一些具有特定条件的节点。 例如:
这里我需要从ct:ModelNo和tp:Blob中提取值
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'
这对我很有效,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,让它变得更好。谢谢大家!
相关问题 更多 >
编程相关推荐