将 spark-xml 库创建为 Maven 库 。 针对 Maven 坐标，请指定：

在群集上 安装库 。

本部分中的示例使用 books XML 文件。

检索 books XML 文件：

$ wget https://github.com/databricks/spark-xml/raw/master/src/test/resources/books.xml
将文件上传到 DBFS。
读取和写入 XML 数据
/*Infer schema*/
CREATE TABLE books
USING xml
OPTIONS (path "dbfs:/books.xml", rowTag "book")
/*Specify column names and types*/
CREATE TABLE books (author string, description string, genre string, _id string, price double, publish_date string, title string)
USING xml
OPTIONS (path "dbfs:/books.xml", rowTag "book")
Scala
// Infer schema
import com.databricks.spark.xml._ // Add the DataFrame.read.xml() method
val df = spark.read
  .option("rowTag", "book")
  .xml("dbfs:/books.xml")
val selectedData = df.select("author", "_id")
selectedData.write
  .option("rootTag", "books")
  .option("rowTag", "book")
  .xml("dbfs:/newbooks.xml")
// Specify schema
import org.apache.spark.sql.types.{StructType, StructField, StringType, DoubleType}
val customSchema = StructType(Array(
  StructField("_id", StringType, nullable = true),
  StructField("author", StringType, nullable = true),
  StructField("description", StringType, nullable = true),
  StructField("genre", StringType, nullable = true),
  StructField("price", DoubleType, nullable = true),
  StructField("publish_date", StringType, nullable = true),
  StructField("title", StringType, nullable = true)))
val df = spark.read
  .option("rowTag", "book")
  .schema(customSchema)
  .xml("books.xml")
val selectedData = df.select("author", "_id")
selectedData.write
  .option("rootTag", "books")
  .option("rowTag", "book")
  .xml("dbfs:/newbooks.xml")
# Infer schema
library(SparkR)
sparkR.session("local[4]", sparkPackages = c("com.databricks:spark-xml_2.12:<release>"))
df <- read.df("dbfs:/books.xml", source = "xml", rowTag = "book")
# Default `rootTag` and `rowTag`
write.df(df, "dbfs:/newbooks.xml", "xml")
# Specify schema
customSchema <- structType(
  structField("_id", "string"),
  structField("author", "string"),
  structField("description", "string"),
  structField("genre", "string"),
  structField("price", "double"),
  structField("publish_date", "string"),
  structField("title", "string"))
df <- read.df("dbfs:/books.xml", source = "xml", schema = customSchema, rowTag = "book")
# In this case, `rootTag` is set to "ROWS" and `rowTag` is set to "ROW".
write.df(df, "dbfs:/newbooks.xml", "xml", "overwrite")
path：XML 文件的位置。 接受标准 Hadoop 通配表达式。
rowTag：视为行的行标记。 例如，在此 XML <books><book><book>...</books> 中，该值为 book。 默认为 ROW。
samplingRatio：推断架构的采样率 (0.0 ~ 1)。 默认值为 1。 可用类型为 StructType、ArrayType、StringType、LongType、DoubleType、BooleanType、TimestampType 和 NullType，除非提供架构。
excludeAttribute：是否排除元素中的属性。 默认值为 false。
nullValue：视为 null 值的值。 默认为 ""。
mode：用于处理损坏记录的模式。 默认为 PERMISSIVE。
PERMISSIVE:

遇到损坏的记录时，会将所有字段设置为 null，并将格式错误的字符串放入 columnNameOfCorruptRecord 配置的新字段中。
遇到数据类型错误的字段时，会将有问题的字段设置为 null。
DROPMALFORMED：忽略损坏的记录。
FAILFAST：检测到损坏的记录时引发异常。
inferSchema：如果为 true，则尝试为生成的每个 DataFrame 列推理一个相应的类型，例如布尔、数字或日期类型。 如果为 false，则生成的所有列均为字符串类型。 默认为 true。
columnNameOfCorruptRecord：存储格式错误的字符串的新字段的名称。 默认为 _corrupt_record。
attributePrefix：属性的前缀，用于区分属性和元素。 这是字段名称的前缀。 默认为 _。
valueTag：没有子元素的元素中有属性时用于值的标记。 默认为 _VALUE。
charset：默认为 UTF-8，但可设置为其他有效字符集名称。
ignoreSurroundingSpaces：是否应跳过值周围的空格。 默认值为 false。
rowValidationXSDPath：XSD 文件的路径，用于验证每行的 XML。 未能通过验证的行视为上述解析错误。 XSD 不会以其他方式影响提供或推理的架构。  如果群集中的执行程序上未显示上述本地路径，则应使用 SparkContext.addFile 将 XSD 及其依赖的其他任何路径添加到 Spark 执行程序。 在这种情况下，若要使用本地 XSD /foo/bar.xsd，请调用 addFile("/foo/bar.xsd") 并将 "bar.xsd" 作为 rowValidationXSDPath 传递。
path：写入文件的位置。
rowTag：视为行的行标记。 例如，在此 XML <books><book><book>...</books> 中，该值为 book。 默认为 ROW。
rootTag：视为根的根标记。 例如，在此 XML <books><book><book>...</books> 中，该值为 books。 默认为 ROWS。
nullValue：写入 null 值的值。 默认值为字符串 "null"。 当为 "null" 时，它不会为字段写入属性和元素。
attributePrefix：属性的前缀，用于区分属性和元素。 这是字段名称的前缀。 默认为 _。
valueTag：没有子元素的元素中有属性时用于值的标记。 默认为 _VALUE。
compression：保存到文件时使用的压缩编解码器。 应是实现 org.apache.hadoop.io.compress.CompressionCodec 的类的完全限定名称，或是不区分大小写的短名称之一（bzip2、gzip、lz4 和 snappy）。 默认为不压缩。
支持使用短名称；可以使用 xml 代替 com.databricks.spark.xml。
XSD 支持
可以使用 rowValidationXSDPath 针对 XSD 架构验证各行。
可以使用实用工具 com.databricks.spark.xml.util.XSDToSchema 从某些 XSD 文件中提取 Spark DataFrame 架构。 它仅支持简单类型、复杂类型和序列类型，仅支持基本 XSD 功能，且处于试验阶段。
import com.databricks.spark.xml.util.XSDToSchema
import java.nio.file.Paths
val schema = XSDToSchema.read(Paths.get("/path/to/your.xsd"))
val df = spark.read.schema(schema)....xml(...)
分析嵌套 XML
尽管 from_xml 方法主要用于将 XML 文件转换为 DataFrame，但也可以使用它在现有的 DataFrame 中解析字符串值列中的 XML，然后将其添加为新列，并将解析结果作为结构：
import com.databricks.spark.xml.functions.from_xml
import com.databricks.spark.xml.schema_of_xml
import spark.implicits._
val df = ... /// DataFrame with XML in column 'payload'
val payloadSchema = schema_of_xml(df.select("payload").as[String])
val parsed = df.withColumn("parsed", from_xml($"payload", payloadSchema))
mode:

如果设置为默认值 PERMISSIVE，则解析模式默认为 DROPMALFORMED。 如果在 from_xml 的架构中加入与 columnNameOfCorruptRecord 匹配的列，则 PERMISSIVE 模式会将格式错误的记录输出到生成的结构中的该列。
如果设置为 DROPMALFORMED，则未正确解析的 XML 值将为列生成 null 值。 不删除任何行。
from_xml 将包含 XML 的字符串数组转换为已解析结构的数组。 请改用 schema_of_xml_array。
from_xml_string 是在 UDF 中使用的替代方法，可直接对字符串（而不是列）进行操作。
由于 DataFrame 和 XML 之间存在结构差异，因此对于从 XML 数据转换为 DataFrame 以及从 DataFrame 转换为 XML 数据来说，有一些转换规则。 可以使用选项 excludeAttribute 禁止处理某些属性。
将 XML 转换为 DataFrame
属性：属性会转换为具有 attributePrefix 选项中指定的前缀的字段。 如果 attributePrefix 为 _，则以下文档
<one myOneAttrib="AAAA">
    <two>two</two>
    <three>three</three>
将生成以下架构：
|-- _myOneAttrib: string (nullable = true)
|-- two: string (nullable = true)
|-- three: string (nullable = true)
如果元素有属性但没有子元素，则属性值将位于 valueTag 选项中指定的独立字段。 如果 valueTag 为 _VALUE，则以下文档
    <two myTwoAttrib="BBBBB">two</two>
    <three>three</three>
将生成以下架构：
|-- two: struct (nullable = true)
|    |-- _VALUE: string (nullable = true)
|    |-- _myTwoAttrib: string (nullable = true)
|-- three: string (nullable = true)
将 DataFrame 转换为 XML
从具有 ArrayType 字段且其元素为 ArrayType 的 DataFrame 写入 XML 文件时，将为该元素提供额外的嵌套字段。 读写 XML 数据时不会发生这种情况，但写入从其他源读取的 DataFrame 时会。 因此，读写和写读 XML 文件具有同一结构，但写入从其他源读取的 DataFrame 可能具有另一结构。
如果 DataFrame 具有以下架构：
 |-- a: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)
和以下数据：
+------------------------------------+
|                                   a|
+------------------------------------+
|[WrappedArray(aa), WrappedArray(bb)]|
+------------------------------------+
则将生成以下 XML 文件：
  <item>aa</item>
  <item>bb</item>