请求协助解决XML转PySpark DataFrame报错问题（附代码及错误信息）

你遇到的ClassNotFoundException是两个问题导致的：

• .format()参数写错了，应该指定数据源类型为xml而非文件名sample.xml
• PySpark原生不支持XML数据源，需要引入第三方的XML处理包

步骤1：修正数据源格式参数 #

把代码里的.format("sample.xml")改成.format("xml")，这是告诉Spark使用XML数据源读取文件，而非把文件名当成数据源类型。

步骤2：添加XML数据源依赖 #

PySpark需要引入spark-xml第三方包才能处理XML文件，你可以在初始化SparkSession时直接配置依赖包（以下示例适配Spark 3.x + Scala 2.12，版本可根据你的环境调整）：

正确代码示例 #

import pyspark.sql as ps

# 初始化SparkSession并引入XML依赖
spark = ps.SparkSession.builder \
    .config("spark.jars.packages", "com.databricks:spark-xml_2.12:0.15.0") \
    .getOrCreate()

# 读取XML文件
df = spark.read \
    .format("xml") \
    .option("rowTag", "att")  # 指定作为DataFrame行的XML标签
    .load("sample.xml")

# 显示DataFrame内容
df.show()

额外说明 #

• rowTag参数：指定XML中哪个标签对应DataFrame的一行，比如你的XML里每个<att>节点会解析成DataFrame的一行数据
• 如果XML有多层嵌套结构，可以添加option("inferSchema", "true")让Spark自动推断列的数据类型；若需要指定根标签，可使用option("rootTag", "your_root_tag")

内容的提问来源于stack exchange，提问作者PVG