我打开了一个spark会话和一个带有.xml文件的目录。我只是想读取。xml文件的模式，但我猜spark不会直接这样做，例如，我想读取拼花。
我的意思是，我正在尝试做这样的事情:
path = "/.../.../.../filename.xml"
df_xml = spark.read.format("xml").option("rowTag", "<the rowTag name here>").load(path)
df_xml.printSchema()
我得到的是:
File "/opt/mapr/spark/spark-2.4.4/python/pyspark/sql/readwriter.py", line 166, in load
return self._df(self._jreader.load(path))
File "/opt/mapr/spark/spark-2.4.4/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
File "/opt/mapr/spark/spark-2.4.4/python/pyspark/sql/utils.py", line 63, in deco
return f(*a, **kw)
File "/opt/mapr/spark/spark-2.4.4/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o92.load.
: java.lang.ClassNotFoundException: Failed to find data source: xml.
Caused by: java.lang.ClassNotFoundException: xml.DefaultSource
有没有人尝试在pyspark中读取xml文件的模式?我是新手，非常感谢您的反馈。
Parquet格式包含有关模式的信息，XML不包含。你不能只读取模式而不从数据中推断。
由于我没有关于XML文件的信息，我将使用这个示例:XML示例文件
将该XML示例保存到sample.xml，您必须指定Spark XML包才能解析XML文件。
示例如下:
from pyspark.sql import SparkSession
if __name__ == "__main__":
spark = SparkSession
.builder
.appName("Test")
.config("spark.jars.packages", "com.databricks:spark-xml_2.12:0.13.0")
.getOrCreate()
df = spark.read.format('xml').options(rowTag='catalog').load('sample.xml')
df.printSchema()
结果是:
root
|-- book: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- _id: string (nullable = true)
| | |-- author: string (nullable = true)
| | |-- description: string (nullable = true)
| | |-- genre: string (nullable = true)
| | |-- price: double (nullable = true)
| | |-- publish_date: date (nullable = true)
| | |-- title: string (nullable = true)