通过Hadoop流媒体读取PySpark中的Xml文件

我正在尝试将代码从Scala版本改编为PySpark版本。以下是我使用的代码：

    conf = SparkConf().setAppName("Parse Xml File")
    sc = SparkContext(conf = conf)
    sqlContext = HiveContext(sc)

    sc._jsc.hadoopConfiguration().set('stream.recordreader.class', 'org.apache.hadoop.streaming.StreamXmlRecordReader')
    sc._jsc.hadoopConfiguration().set('stream.recordreader.begin', '<page>')
    sc._jsc.hadoopConfiguration().set('stream.recordreader.end', '</page>')

    xml_sdf = sc.newAPIHadoopFile(xml_data_path,
                                       'org.apache.hadoop.streaming.StreamInputFormat',
                                       'org.apache.hadoop.io.Text',
                                       'org.apache.hadoop.io.Text')
    print("Found {0} records.".format(wiki_xml_sdf.count()))

    sc.stop()

---

是否有其他输入格式/设置可供我使用？

最简单的解决方案是使用软件包。在您的情况下（所有文档都以

开头），下面的代码将数据加载到数据框中：

sqlContext.read.format('com.databricks.spark.xml')
    .options(rowTag='page').load('samplexml.xml')

---

我在找更普通的东西。我不认为底层文件被拆分为每行一个文档，这是spark xml工作所必需的。spark-xml不需要文档在单独的行中，您可以有一个大的单行文件，它可以工作。试试看：-）

sqlContext.read.format('com.databricks.spark.xml')
    .options(rowTag='page').load('samplexml.xml')