用猪拉丁语解析 XML

Question

我对 Hadoop 和 Pig 都很陌生。我已经能够做一些简单的程序，但是当 XML 文件的一部分格式错误时处理 XML 让我很费力。

我可以使用 XMLLoader('tag') 从一个很棒的 xml 文件中获取所有标签。然而，如果一个人错过了一个结构良好的封闭标签，猪就会停在那个地方。例如

<tag>
</tag>
<tag>
</tag1>
<tag>
</tag>

这只会拾取第一个有效标签。现在，我有使用 JAQL 的经验并且能够忽略错误记录，以便应用程序选择第二个标签。

我的问题是：他们是一种使用 Pig 而不是 JAQL 来处理不良 XML 格式的方法吗？

Answer 1

我一直在查看 pig XMLLoader 代码，格式错误的标签似乎正在发生的事情是加载器从未注意到标签结束，并且无法注意到它已进入新的主标签.似乎没有办法使用 XMLLoader，因为它目前可以解决这个问题。

但是，可以修改 XMLLoader 以使其以您希望的方式工作。可能是通过更改skipToTag 方法中的条件，以便如果它遇到指定开始标记的另一个实例，它会向前跳过，忽略格式错误的标记。请记住，如果您有同名的嵌套标签（例如地址作为根，但地址作为文档中较低的元素），这会搞砸，所以它不是万无一失的。

然而，在大多数情况下，预先验证 XML 似乎是一个更好的选择，或者让预处理器只将有效的 XML 提取到一个文件中，然后运行 ​​pig。

希望这会有所帮助。