Odczytywanie i zapisywanie plików XML
Ważne
Ta funkcja jest dostępna w publicznej wersji zapoznawczej.
W tym artykule opisano sposób odczytywania i zapisywania plików XML.
Extensible Markup Language (XML) to język znaczników do formatowania, przechowywania i udostępniania danych w formacie tekstowym. Definiuje set reguł serializacji danych od dokumentów do dowolnych struktur danych.
Natywna obsługa formatu plików XML umożliwia pozyskiwanie, wykonywanie zapytań i analizowanie danych XML na potrzeby przetwarzania wsadowego lub przesyłania strumieniowego. Może automatycznie wnioskować i rozwijać schema i typy danych, obsługuje wyrażenia SQL, takie jak from_xml
, i może generate dokumenty XML. Nie wymaga on zewnętrznych plików jar i bezproblemowo współpracuje z modułem automatycznego ładowania read_files
i COPY INTO
. Opcjonalnie można zweryfikować każdy rekord XML na poziomie wiersza względem definicji Schema XML (XSD).
Wymagania
Środowisko Databricks Runtime w wersji 14.3 lub nowszej
Analizowanie rekordów XML
Specyfikacja XML nakazuje dobrze sformułowaną strukturę. Jednak ta specyfikacja nie jest natychmiast mapowania na format tabelaryczny. Należy określić rowTag
opcję, aby wskazać element XML, który mapuje na DataFrame
Row
element . Element rowTag
staje się najwyższym poziomem struct
. Elementy podrzędne rowTag
stają się polami najwyższego poziomu struct
.
Możesz określić schema dla tego rekordu lub zezwolić na automatyczne wnioskowanie. Ponieważ analizator sprawdza rowTag
tylko elementy, odfiltrowane są jednostki DTD i zewnętrzne.
W poniższych przykładach przedstawiono schema wnioskowanie i analizowanie pliku XML przy użyciu różnych opcji rowTag
:
Python
xmlString = """
<books>
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
</book>
<book id="bk104">
<author>Corets, Eva</author>
<title>Oberon's Legacy</title>
</book>
</books>"""
xmlPath = "dbfs:/tmp/books.xml"
dbutils.fs.put(xmlPath, xmlString, True)
Scala
val xmlString = """
<books>
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
</book>
<book id="bk104">
<author>Corets, Eva</author>
<title>Oberon's Legacy</title>
</book>
</books>"""
val xmlPath = "dbfs:/tmp/books.xml"
dbutils.fs.put(xmlPath, xmlString)
Przeczytaj plik XML z opcją rowTag
"books":
Python
df = spark.read.option("rowTag", "books").format("xml").load(xmlPath)
df.printSchema()
df.show(truncate=False)
Scala
val df = spark.read.option("rowTag", "books").xml(xmlPath)
df.printSchema()
df.show(truncate=false)
Wyjście:
root
|-- book: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- _id: string (nullable = true)
| | |-- author: string (nullable = true)
| | |-- title: string (nullable = true)
+------------------------------------------------------------------------------+
|book |
+------------------------------------------------------------------------------+
|[{bk103, Corets, Eva, Maeve Ascendant}, {bk104, Corets, Eva, Oberon's Legacy}]|
+------------------------------------------------------------------------------+
Przeczytaj plik XML z ciągiem rowTag
"book":
Python
df = spark.read.option("rowTag", "book").format("xml").load(xmlPath)
# Infers three top-level fields and parses `book` in separate rows:
Scala
val df = spark.read.option("rowTag", "book").xml(xmlPath)
// Infers three top-level fields and parses `book` in separate rows:
Wyjście:
root
|-- _id: string (nullable = true)
|-- author: string (nullable = true)
|-- title: string (nullable = true)
+-----+-----------+---------------+
|_id |author |title |
+-----+-----------+---------------+
|bk103|Corets, Eva|Maeve Ascendant|
|bk104|Corets, Eva|Oberon's Legacy|
+-----+-----------+---------------+
Opcje źródła danych
Opcje źródła danych dla kodu XML można określić na następujące sposoby:
- Metody
.option/.options
następujących:- DataFrameReader
- DataFrameWriter
- DataStreamReader
- DataStreamWriter
- Następujące wbudowane funkcje:
- Klauzula
OPTIONS
z punktu CREATE TABLE USING DATA_SOURCE
Aby uzyskać listę list opcji, zobacz Opcje automatycznego ładownika.
Obsługa XSD
Opcjonalnie można zweryfikować każdy rekord XML na poziomie wiersza za pomocą definicji Schema XML (XSD). Plik XSD jest określony w rowValidationXSDPath
opcji . XSD nie ma w żaden inny sposób wpływu na schema podane lub wnioskowane. Rekord, który kończy się niepowodzeniem walidacji, jest oznaczony jako "uszkodzony" i obsługiwany na podstawie opcji trybu obsługi uszkodzonych rekordów opisanych w sekcji opcji.
Za pomocą XSDToSchema
można wyodrębnić schema ramki danych spark z pliku XSD. Obsługuje tylko proste, złożone i sekwencyjne typy i obsługuje tylko podstawowe funkcje XSD.
import org.apache.spark.sql.execution.datasources.xml.XSDToSchema
import org.apache.hadoop.fs.Path
val xsdPath = "dbfs:/tmp/books.xsd"
val xsdString = """<?xml version="1.0" encoding="UTF-8" ?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema">
<xs:element name="book">
<xs:complexType>
<xs:sequence>
<xs:element name="author" type="xs:string" />
<xs:element name="title" type="xs:string" />
<xs:element name="genre" type="xs:string" />
<xs:element name="price" type="xs:decimal" />
<xs:element name="publish_date" type="xs:date" />
<xs:element name="description" type="xs:string" />
</xs:sequence>
<xs:attribute name="id" type="xs:string" use="required" />
</xs:complexType>
</xs:element>
</xs:schema>"""
dbutils.fs.put(xsdPath, xsdString, true)
val schema1 = XSDToSchema.read(xsdString)
val schema2 = XSDToSchema.read(new Path(xsdPath))
Poniższy table przedstawia konwersję typów danych XSD na typy danych Spark.
Typy danych XSD | Typy danych platformy Spark |
---|---|
boolean |
BooleanType |
decimal |
DecimalType |
unsignedLong |
DecimalType(38, 0) |
double |
DoubleType |
float |
FloatType |
byte |
ByteType |
short , unsignedByte |
ShortType |
integer , , negativeInteger , nonNegativeInteger , nonPositiveInteger , , positiveInteger unsignedShort |
IntegerType |
long , unsignedInt |
LongType |
date |
DateType |
dateTime |
TimestampType |
Others |
StringType |
Analizowanie zagnieżdżonego kodu XML
Dane XML w column wartości ciągu w istniejącej ramce danych mogą być analizowane przy użyciu schema_of_xml
i from_xml
, które zwracają schema i przeanalizowane wyniki jako nowe struct
columns. Dane XML przekazywane jako argument do schema_of_xml
i from_xml
muszą być pojedynczym dobrze sformułowanym rekordem XML.
schema_of_xml
Składnia
schema_of_xml(xmlStr [, options] )
Argumenty
-
xmlStr
: wyrażenie STRING określające pojedynczy poprawnie sformułowany rekord XML. -
options
: opcjonalnyMAP<STRING,STRING>
literał określający dyrektywy.
Zwroty
Ciąg zawierający definicję struktury z n polami stringów, w których nazwy where i column pochodzą z nazw elementów i atrybutów XML. Pole values przechowuje pochodne i sformatowane typy SQL.
from_xml
Składnia
from_xml(xmlStr, schema [, options])
Argumenty
-
xmlStr
: wyrażenie STRING określające pojedynczy poprawnie sformułowany rekord XML. -
schema
: wyrażenie STRING lub wywołanieschema_of_xml
funkcji. -
options
: opcjonalnyMAP<STRING,STRING>
literał określający dyrektywy.
Zwroty
Struktura z nazwami pól i typami pasującymi do definicji schema.
Schema należy zdefiniować jako pary nazw column i typów danych rozdzielane przecinkami, na przykład CREATE TABLE
. Większość opcji wyświetlanych w opcjach źródła danych ma zastosowanie z następującymi wyjątkami:
-
rowTag
: Ponieważ istnieje tylko jeden rekord XML,rowTag
opcja nie ma zastosowania. -
mode
(ustawienie domyślne:PERMISSIVE
): umożliwia tryb radzenia sobie z uszkodzonymi rekordami podczas analizowania.-
PERMISSIVE
: Gdy spełnia uszkodzony rekord, umieszcza źle sformułowany ciąg w polu skonfigurowanym przezcolumnNameOfCorruptRecord
program i ustawia źle sformułowane pola nanull
wartość . Aby zachować uszkodzone rekordy, można set pole typu ciągu o nazwiecolumnNameOfCorruptRecord
w schemazdefiniowanym przez użytkownika. Jeśli schema nie ma pola, usuwa uszkodzone rekordy podczas parsowania. Podczas wnioskowania schema, niejawnie dodaje się polecolumnNameOfCorruptRecord
do danych wyjściowych schema. -
FAILFAST
: zgłasza wyjątek, gdy spełnia uszkodzone rekordy.
-
Konwersja struktury
Ze względu na różnice struktury między ramkami danych i xml istnieją pewne reguły konwersji danych XML do DataFrame
i z DataFrame
danych XML. Należy pamiętać, że atrybuty obsługi można wyłączyć za pomocą opcji excludeAttribute
.
Konwersja z xml na ramkę danych
Atrybuty: Atrybuty są konwertowane jako pola z prefiksem attributePrefix
nagłówka .
<one myOneAttrib="AAAA">
<two>two</two>
<three>three</three>
</one>
tworzy schema poniżej:
root
|-- _myOneAttrib: string (nullable = true)
|-- two: string (nullable = true)
|-- three: string (nullable = true)
Dane znaków w elemecie zawierającym atrybuty lub elementy podrzędne: są one analizowane w valueTag
polu. Jeśli istnieje wiele wystąpień danych znaków, valueTag
pole jest konwertowane na array
typ.
<one>
<two myTwoAttrib="BBBBB">two</two>
some value between elements
<three>three</three>
some other value between elements
</one>
tworzy schema poniżej:
root
|-- _VALUE: array (nullable = true)
| |-- element: string (containsNull = true)
|-- two: struct (nullable = true)
| |-- _VALUE: string (nullable = true)
| |-- _myTwoAttrib: string (nullable = true)
|-- three: string (nullable = true)
Konwersja z ramki danych na XML
Element jako tablica w tablicy: Pisanie pliku XML z DataFrame
havingArrayType
pola z jego elementem jako ArrayType
będzie miało dodatkowe zagnieżdżone pole dla elementu. Nie dzieje się tak w odczytywaniu i zapisywaniu danych XML, ale zapisaniu DataFrame
odczytu z innych źródeł. W związku z tym dwukierunkowe odczytywanie i zapisywanie plików XML ma taką samą strukturę, ale zapisywanie DataFrame
odczytu z innych źródeł jest możliwe, aby mieć inną strukturę.
Ramka danych z schema poniżej:
|-- a: array (nullable = true)
| |-- element: array (containsNull = true)
| | |-- element: string (containsNull = true)
i z poniższymi danymi:
+------------------------------------+
| a|
+------------------------------------+
|[WrappedArray(aa), WrappedArray(bb)]|
+------------------------------------+
tworzy poniższy plik XML:
<a>
<item>aa</item>
</a>
<a>
<item>bb</item>
</a>
Nazwa elementu tablicy bez nazwy w DataFrame
tablicy jest określona przez opcję arrayElementName
(Wartość domyślna: item
).
Uratowane dane column
Uratowane dane column zapewniają, że nigdy nie utracisz ani nie przegapisz danych podczas ETL. Możesz włączyć odzyskane dane column, aby przechwycić wszystkie dane, które nie zostały przeanalizowane, ponieważ co najmniej jedno pole w rekordzie ma jeden z następujących problemów:
- Nieobecny w podanym schema
- Nie jest zgodny z typem danych podanego schema
- Ma niezgodność wielkości liter z nazwami pól w podanym schema
Uratowane dane column są zwracane jako dokument JSON zawierający columns, które zostały uratowane, oraz ścieżkę pliku źródłowego rekordu. Aby remove z uratowanych danych columnścieżkę pliku źródłowego, możesz set użyć następującej konfiguracji SQL:
Python
spark.conf.set("spark.databricks.sql.rescuedDataColumn.filePath.enabled", "false")
Scala
spark.conf.set("spark.databricks.sql.rescuedDataColumn.filePath.enabled", "false").
Możesz umożliwić dostęp do uratowanych danych column, ustawiając opcję rescuedDataColumn
na nazwę column podczas odczytywania danych, takich jak _rescued_data
z wykorzystaniem spark.read.option("rescuedDataColumn", "_rescued_data").format("xml").load(<path>)
.
Analizator XML obsługuje trzy tryby podczas analizowania rekordów: PERMISSIVE
, DROPMALFORMED
i FAILFAST
. W przypadku użycia razem z elementem rescuedDataColumn
niezgodność typów danych nie powoduje porzucenia rekordów w DROPMALFORMED
trybie lub zgłaszania błędu w FAILFAST
trybie. Tylko uszkodzone rekordy (niekompletne lub źle sformułowane XML) są porzucane lub zgłaszane błędy.
Schema wnioskowanie i ewolucja w Auto Loaderze
Aby zapoznać się ze szczegółowym omówieniem tego tematu i odpowiednimi opcjami, zobacz
Automatyczny moduł ładujący schema z domyślnym wnioskowaniem ma na celu unikanie problemów schema związanych z ewolucją z powodu niezgodności typów. W przypadku formatów, które nie kodują typów danych (JSON, CSV i XML), moduł ładujący automatycznie wywnioskuje wszystkie columns jako ciągi, w tym zagnieżdżone pola w plikach XML. Usługa Apache Spark DataFrameReader
używa innego zachowania do wnioskowania schema, wybierając typy danych dla columns w źródłach XML na podstawie przykładowych danych. Aby włączyć to zachowanie za pomocą Automatycznego ładowania, set opcję cloudFiles.inferColumnTypes
true
.
Funkcja automatycznego ładowania wykrywa dodanie nowych columns podczas przetwarzania danych. Gdy moduł automatycznego ładowania wykryje nowy column, strumień zatrzymuje się przy użyciu UnknownFieldException
. Przed zgłoszeniem tego błędu, Automatyczny Ładowacz wykonuje schema wnioskowanie na najnowszej mikropartii danych i aktualizuje lokalizację schema za pomocą najnowszych schema przez scalenie nowych columns do końca schema. Typy danych istniejących columns pozostają niezmienione. Moduł automatycznego ładowania obsługuje różne tryby dla schema ewolucji, które set w opcji cloudFiles.schemaEvolutionMode
.
Możesz użyć wskazówek schema, aby wymusić informacje schema, które znasz i oczekujesz dla wnioskowanego schema. Jeśli wiesz, że column jest określonym typem danych lub jeśli chcesz wybrać bardziej ogólny typ danych (na przykład podwójne zamiast liczby całkowitej), możesz podać dowolną liczbę wskazówek dla column typów danych jako ciągu przy użyciu składni specyfikacji SQL schema. Po włączeniu odzyskanych danych column pola nazwane w sposób inny niż schema są załadowane do _rescued_data
column. To zachowanie można zmienić, ustawiając opcję readerCaseSensitive
na false
, w takim przypadku moduł automatycznego ładowania odczytuje dane w sposób bez uwzględniania wielkości liter.
Przykłady
Przykłady w tej sekcji używają pliku XML dostępnego do pobrania w repozytorium GitHub platformy Apache Spark.
Odczytywanie i zapisywanie kodu XML
Python
df = (spark.read
.format('xml')
.options(rowTag='book')
.load(xmlPath)) # books.xml
selected_data = df.select("author", "_id")
(selected_data.write
.options(rowTag='book', rootTag='books')
.xml('newbooks.xml'))
Scala
val df = spark.read
.option("rowTag", "book")
.xml(xmlPath) // books.xml
val selectedData = df.select("author", "_id")
selectedData.write
.option("rootTag", "books")
.option("rowTag", "book")
.xml("newbooks.xml")
R
df <- loadDF("books.xml", source = "xml", rowTag = "book")
# In this case, `rootTag` is set to "ROWS" and `rowTag` is set to "ROW".
saveDF(df, "newbooks.xml", "xml", "overwrite")
Podczas odczytywania danych można ręcznie określić schema:
Python
from pyspark.sql.types import StructType, StructField, StringType, DoubleType
custom_schema = StructType([
StructField("_id", StringType(), True),
StructField("author", StringType(), True),
StructField("description", StringType(), True),
StructField("genre", StringType(), True),
StructField("price", DoubleType(), True),
StructField("publish_date", StringType(), True),
StructField("title", StringType(), True)
])
df = spark.read.options(rowTag='book').xml('books.xml', schema = customSchema)
selected_data = df.select("author", "_id")
selected_data.write.options(rowTag='book', rootTag='books').xml('newbooks.xml')
Scala
import org.apache.spark.sql.types.{StructType, StructField, StringType, DoubleType}
val customSchema = StructType(Array(
StructField("_id", StringType, nullable = true),
StructField("author", StringType, nullable = true),
StructField("description", StringType, nullable = true),
StructField("genre", StringType, nullable = true),
StructField("price", DoubleType, nullable = true),
StructField("publish_date", StringType, nullable = true),
StructField("title", StringType, nullable = true)))
val df = spark.read.option("rowTag", "book").schema(customSchema).xml(xmlPath) // books.xml
val selectedData = df.select("author", "_id")
selectedData.write.option("rootTag", "books").option("rowTag", "book").xml("newbooks.xml")
R
customSchema <- structType(
structField("_id", "string"),
structField("author", "string"),
structField("description", "string"),
structField("genre", "string"),
structField("price", "double"),
structField("publish_date", "string"),
structField("title", "string"))
df <- loadDF("books.xml", source = "xml", schema = customSchema, rowTag = "book")
# In this case, `rootTag` is set to "ROWS" and `rowTag` is set to "ROW".
saveDF(df, "newbooks.xml", "xml", "overwrite")
Interfejs API SQL
Źródło danych XML może wnioskować typy danych:
DROP TABLE IF EXISTS books;
CREATE TABLE books
USING XML
OPTIONS (path "books.xml", rowTag "book");
SELECT * FROM books;
Można również określić nazwy i typy column w języku DDL. W tym przypadku schema nie jest automatycznie wnioskowane.
DROP TABLE IF EXISTS books;
CREATE TABLE books (author string, description string, genre string, _id string,
price double, publish_date string, title string)
USING XML
OPTIONS (path "books.xml", rowTag "book");
Ładowanie kodu XML przy użyciu COPY INTO
DROP TABLE IF EXISTS books;
CREATE TABLE IF NOT EXISTS books;
COPY INTO books
FROM "/FileStore/xmltestDir/input/books.xml"
FILEFORMAT = XML
FORMAT_OPTIONS ('mergeSchema' = 'true', 'rowTag' = 'book')
COPY_OPTIONS ('mergeSchema' = 'true');
Odczytywanie kodu XML z walidacją wierszy
Python
df = (spark.read
.format("xml")
.option("rowTag", "book")
.option("rowValidationXSDPath", xsdPath)
.load(inputPath))
df.printSchema()
Scala
val df = spark.read
.option("rowTag", "book")
.option("rowValidationXSDPath", xsdPath)
.xml(inputPath)
df.printSchema
Analizowanie zagnieżdżonego kodu XML (from_xml i schema_of_xml)
Python
from pyspark.sql.functions import from_xml, schema_of_xml, lit, col
xml_data = """
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-11-17</publish_date>
</book>
"""
df = spark.createDataFrame([(8, xml_data)], ["number", "payload"])
schema = schema_of_xml(df.select("payload").limit(1).collect()[0][0])
parsed = df.withColumn("parsed", from_xml(col("payload"), schema))
parsed.printSchema()
parsed.show()
Scala
import org.apache.spark.sql.functions.{from_xml,schema_of_xml,lit}
val xmlData = """
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-11-17</publish_date>
</book>""".stripMargin
val df = Seq((8, xmlData)).toDF("number", "payload")
val schema = schema_of_xml(xmlData)
val parsed = df.withColumn("parsed", from_xml($"payload", schema))
parsed.printSchema()
parsed.show()
from_xml i schema_of_xml przy użyciu interfejsu API SQL
SELECT from_xml('
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-11-17</publish_date>
</book>',
schema_of_xml('
<book id="bk103">
<author>Corets, Eva</author>
<title>Maeve Ascendant</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-11-17</publish_date>
</book>')
);
Ładowanie kodu XML za pomocą modułu ładującego automatycznego
Python
query = (spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "xml")
.option("rowTag", "book")
.option("cloudFiles.inferColumnTypes", True)
.option("cloudFiles.schemaLocation", schemaPath)
.option("cloudFiles.schemaEvolutionMode", "rescue")
.load(inputPath)
.writeStream
.option("mergeSchema", "true")
.option("checkpointLocation", checkPointPath)
.trigger(availableNow=True)
.toTable("table_name")
)
Scala
val query = spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "xml")
.option("rowTag", "book")
.option("cloudFiles.inferColumnTypes", true)
.option("cloudFiles.schemaLocation", schemaPath)
.option("cloudFiles.schemaEvolutionMode", "rescue")
.load(inputPath)
.writeStream
.option("mergeSchema", "true")
.option("checkpointLocation", checkPointPath)
.trigger(Trigger.AvailableNow()
.toTable("table_name")
)
Dodatkowe zasoby
Odczytywanie i zapisywanie danych XML przy użyciu biblioteki spark-xml