使用 databrics spark API 推断 xml 处理的模式选项

Question

我必须处理一个具有“0001546”之类的字符串值的xml。如果我使用databrics xml API将它们加载到数据帧中，它会将实际字符串值转换为双精度类型，并且存在双精度问题将我的完整值从“0001546”更改为1546。这是因为字符串隐式类型转换为数字，但我不希望它表现得那样。预期实际值应按原样处理。 一种选择是为 xml 指定手动模式，这在我的情况下是不可行的。 我发现了一个向 databrics 报告的错误，以禁用像 csv 文件这样的推断模式。 我们有任何解决方法/解决方案来解决这个问题吗？感谢您的帮助。

Answer 1

我找到了一个战术解决方案，直到它在新版本中得到修复。 我创建了一个占位符 xml 文件，该文件放置在输入文件夹中，该文件夹包含我要处理的所有 xml 文件。 占位符 xml 文件中的 id 字段的值类似于 <Id>x0001546</Id> 请注意，在虚拟记录中添加了一个额外的“x”字符。 因为，采样推断模式的默认值是 1（不需要对每条记录都这样做），spark 认为这个字段应该被视为字母数字。后来我从数据框中过滤掉了占位符 xml 记录。