PySpark XPath提取XML指定属性子节点值失败求助

你的XPath提取失败主要有4个问题，对应修正后的代码如下：

错误原因 #

• 未处理XML命名空间：所有节点带ns1:前缀，XPath必须匹配或忽略该前缀
• 属性值未加引号：XPath中字符串类型的属性值必须用引号包裹
• 目标ID写错：你要提取id=9616的节点，但代码里写的是9611
• 根节点路径错误：XML根节点是ns1:visitors，不是visitors

修正方案1：忽略命名空间（无需知道命名空间URI） #

使用local-name()匹配节点名称，避开前缀影响：

df = df.selectExpr(
    "xpath_string(visitors, '/*[local-name()=\"visitors\"]/*[local-name()=\"visit\" and @name=\"loy\"]/*[local-name()=\"visitor\" and @id=\"9616\"]') as result"
)

这里用xpath_string直接返回单个字符串结果，而不是数组。

修正方案2：指定命名空间映射（如果知道命名空间URI） #

如果XML的ns1有对应的URI（比如XML头部声明了xmlns:ns1="http://xxx.com"），可以直接在XPath中使用前缀，并通过第三个参数传入命名空间映射：

df = df.selectExpr(
    "xpath_string(visitors, '/ns1:visitors/ns1:visit[@name=\"loy\"]/ns1:visitor[@id=\"9616\"]', map('ns1', 'http://your-namespace-uri')) as result"
)

两种方案运行后，都会返回目标值Dr George。

内容的提问来源于stack exchange，提问作者loy