我们如何在Pyspark中读取非结构化XML文件

Question

<editors>
    <p poid="1232" class="odo">
        <person id="1232">Rob Jhon</person>
        <br /> **this text need to be read**
        <br />
        <title>Sto items:</title> **"this text need to be read"**
        <br />
        <title>Recent items:</title> **this text need to be read**

    </p>
</editors>

正如您在我的数据集中看到的那样，有一些未标记的字符串区域。 如何在Pyspark中正确读取此XML，以将此字符串字段视为列。

Answer 1

如果XML是一个称为“ data.xml”的文件，则可以从：

import xml.etree.ElementTree as ET

tree = ET.parse("data.xml")
root = tree.getroot()

print(root[0][1].tail)

这对我有用。