通过

from_xml 函数

适用于：勾选“是” Databricks SQL 勾选“是” Databricks Runtime 14.1 及更高版本

重要

此功能目前以公共预览版提供。

返回从xmlStr使用schema解析出的结构体或变体值。

语法

from_xml(xmlStr, schema [, options])

参数

  • xmlStr：一个 STRING 表达式，用于指定单个 XML 记录
  • schema：STRING表达式或对schema_of_xml函数的调用。
  • options：指定指令的可选MAP<STRING,STRING>文本。

返回

具有与架构定义匹配的字段名称和类型的STRUCT，如果架构是单个VARIANT类型，则为Variant值。

xmlStr 在 schema 和 options 方面的格式应正确。 如果无法分析xmlStr，会返回NULL。

schema 必须定义为逗号分隔的列名称和数据类型对（例如如同在 CREATE TABLE 中使用一样）。 在 Databricks Runtime 16.4 及更高版本中， schema 也可以定义为单个 VARIANT 类型。

如果提供，options 可以是下列任何内容：

  • excludeAttribute（默认false）：是否排除元素中的属性。
  • mode（默认值为 PERMISSIVE）：允许采用在分析期间处理损坏记录的模式。
    • PERMISSIVE：遇到损坏的记录时，将格式错误的字符串放入由 columnNameOfCorruptRecord 配置的字段中，并将格式错误的字段设置为 null。 若要保留损坏的记录，可以在用户定义的架构中设置名为 columnNameOfCorruptRecord 的字符串类型字段。 如果架构没有该字段，则会在分析期间删除损坏的记录。 推理架构时，它会在输出架构中隐式添加 columnNameOfCorruptRecord 字段。
    • FAILFAST：遇到损坏的记录时引发异常。
  • columnNameOfCorruptRecord（默认值为 spark.sql.columnNameOfCorruptRecord 中指定的值）：允许重命名通过 PERMISSIVE 模式创建的包含格式错误字符串的新字段。 这会替代 spark.sql.columnNameOfCorruptRecord。
  • inferSchema（默认为 true）：如果为 true，则尝试为生成的每个属性推断一个相应的类型，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。
  • prefersDecimal（默认值为 false）：将所有浮点值推断为十进制类型。 如果这些值不适合十进制，那么它会将这些值推断为双精度值。
  • attributePrefix（默认_）：属性的前缀，用于区分属性和元素。 这将是字段名称的前缀。 可以为空字符串。
  • valueTag（默认值为 _VALUE）：该标记用于同时具有属性元素或子元素的元素中的人物数据。
  • encoding（默认值为 UTF-8）：按照指定编码类型对 XML 文件进行解码。
  • ignoreSurroundingSpaces（默认值为 true）：定义是否应跳过正在读取的值周围的空格。
  • rowValidationXSDPath：XSD 文件的路径，用于单独验证每行的 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。
  • ignoreNamespace（默认false）：如果为true，则忽略 XML 元素和属性上的命名空间前缀。 例如，标记<abc:author>和<def:author>会被视为只是<author>。 请注意，不能忽略rowTag元素上的命名空间，只忽略其子元素。 请注意，即使为 false，XML 分析通常也无法识别命名空间。
  • timestampFormat（默认值为 yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]）：设置指示时间戳格式的字符串。 自定义日期格式遵循日期/时间模式中的格式。 这适用于时间戳类型。
  • timestampNTZFormat（默认值为 yyyy-MM-dd'T'HH:mm:ss[.SSS]）：设置指示不带时区的时间戳格式的字符串。 自定义日期格式遵循日期/时间模式中的格式。 这适用于 TimestampNTZType 类型。
  • dateFormat（默认值为 yyyy-MM-dd）：设置指示日期格式的字符串。 自定义日期格式遵循日期/时间模式中的格式。 这适用于日期类型。
  • locale（默认值为 en-US）：将区域设置设定为 IETF BCP 47 格式中的语言标记。 例如，在分析日期和时间戳时使用。
  • nullValue（默认值为 null）：设置 null 值的字符串表示形式。

示例

> SELECT from_xml('<p><a>1</a><b>0.8</b></p>', 'a INT, b DOUBLE');
 {"a":1,"b":0.8}

> SELECT from_xml('<p><time>26/08/2015</time></p>', 'time Timestamp', map('timestampFormat', 'dd/MM/yyyy'));
 { "time": "2015-08-26T00:00:00.000+0000"}

> SELECT from_xml('<p><teacher>Alice</teacher><student><name>Bob</name><rank>1</rank></student><student><name>Charlie</name><rank>2</rank></student></p>',
                  'STRUCT<teacher: STRING, student: ARRAY<STRUCT<name: STRING, rank: INT>>>');
 {"teacher":"Alice","student":[{"name":"Bob","rank":1},{"name":"Charlie","rank":2}]}

> SELECT from_xml('<p><a>1</a><b>0.8</b></p>', 'VARIANT');
 {"p":{"a":1,"b":0.8}}