我正在尝试使用mapreduce将xml文件从se data dump*加载到hdfs中。这些xml文件由许多 <row> 元素（包含在顶级“类别”中），例如：
<badges>
<row Id="1" UserId="1" Name="Organizer" Date="2009-07-15T06:51:46.370" />
<row Id="2" UserId="3" Name="Organizer" Date="2009-07-15T06:51:46.387" />
<row Id="4" UserId="1" Name="Autobiographer" Date="2009-07-15T06:51:46.447" />
...
</badges>我希望每个“行”都由一个单独的 map() 功能，并已配置 org.apache.mahout.classifier.bayes.XmlInputFormat 的开始和结束标记如下：
Configuration config = new Configuration();
config.set(XmlInputFormat.START_TAG_KEY, "<row>");
config.set(XmlInputFormat.END_TAG_KEY, "</row>");但是，这无法解析xml文件，因为 <row> 元素是自动关闭的。我如何让它工作，没有人为地“关闭”自动关闭标签？
链接到se博客而不是直接到数据转储，以防止死链接，以防将来位置发生变化。
1条答案
按热度按时间t98cgbkg1#
这是一个有点丑陋的黑客。更改
START_TAG_KEY以及END_TAG_KEY具体如下：“键”被用作分隔符，接受任何字符串，而不仅仅是xml标记。不是一个“干净”的解决方案，可能会停止在未来的实现工作，但它现在就完成了工作。
注意：我是在发帖的时候发现的。事后看来，这一点很明显，但我还是决定继续写这篇文章，以便将来有人会发现它有用。