使用 UDF 从 PySpark Dataframe 解析嵌套的 XML 字段答案

【问题标题】：Parsing the nested XML fields from PySpark Dataframe using UDF使用 UDF 从 PySpark Dataframe 解析嵌套的 XML 字段
【发布时间】：2021-04-15 00:09:15
【问题描述】：

我有一个场景，我在数据框列中有 XML 数据。

sex	updated_at	visitors
F	1574264158	<?xml version="1.0" encoding="utf-8

我想解析 - 访问者列 - 使用 UDF 将嵌套的 XML 字段转换为 Dataframe 中的列

XML 格式

<?xml version="1.0" encoding="utf-8"?> <visitors> <visitor id="9615" age="68" sex="F" /> <visitor id="1882" age="34" sex="M" /> <visitor id="5987" age="23" sex="M" /> </visitors>

【问题讨论】：

标签： xml apache-spark pyspark apache-spark-sql user-defined-functions

【解决方案1】：

您可以在不使用 UDF 的情况下使用 xpath 查询：

df = spark.createDataFrame([['<?xml version="1.0" encoding="utf-8"?> <visitors> <visitor id="9615" age="68" sex="F" /> <visitor id="1882" age="34" sex="M" /> <visitor id="5987" age="23" sex="M" /> </visitors>']], ['visitors'])

df.show(truncate=False)
+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|visitors                                                                                                                                                                          |
+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|<?xml version="1.0" encoding="utf-8"?> <visitors> <visitor id="9615" age="68" sex="F" /> <visitor id="1882" age="34" sex="M" /> <visitor id="5987" age="23" sex="M" /> </visitors>|
+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+


df2 = df.selectExpr(
    "xpath(visitors, './visitors/visitor/@id') id",
    "xpath(visitors, './visitors/visitor/@age') age",
    "xpath(visitors, './visitors/visitor/@sex') sex"
).selectExpr(
    "explode(arrays_zip(id, age, sex)) visitors"
).select('visitors.*')

df2.show(truncate=False)
+----+---+---+
|id  |age|sex|
+----+---+---+
|9615|68 |F  |
|1882|34 |M  |
|5987|23 |M  |
+----+---+---+

如果你坚持使用 UDF：

import xml.etree.ElementTree as ET
import pyspark.sql.functions as F

@F.udf('array<struct<id:string, age:string, sex:string>>')
def parse_xml(s):
    root = ET.fromstring(s)
    return list(map(lambda x: x.attrib, root.findall('visitor')))
    
df2 = df.select(
    F.explode(parse_xml('visitors')).alias('visitors')
).select('visitors.*')

df2.show()
+----+---+---+
|  id|age|sex|
+----+---+---+
|9615| 68|  F|
|1882| 34|  M|
|5987| 23|  M|
+----+---+---+

【讨论】：

@Mr.Tssou 可以，但是由于性能原因，使用Spark SQL函数可以完成任务时不建议使用UDF
如果可能的话，你能做到吗？因为我想在不使用 xpath 的情况下查看其他方法
@Mr.Tssou 查看我为 UDF 解决方案编辑的答案。