使用Scala中的XML解析整个文件夹下的xml，并忽略dtd检测

需求：快速解析一个文件夹下的所有xml（10年的数据，大概一千万个xml）
遇到的坑：xml里面有dtd，必须这个文件存在，不然会报错
处理思路：重写原有的方法

语言对比：Java处理速度慢，并且代码量大，这儿不做考虑，其次python，由于需要处理的xml太过复杂，python需要写多层嵌套循环，并且不能分布式处理，这儿重点讲一下Scala
Scala我么通过scala.xml.XML可以很方便的取出任意一个标签，并且可以分布式去处理。
Scala XML API提供了类似XPath的语法来解析XML。在NodeSeq这类父类里，定义了两个很重要的操作符(""和"\")，用来获得解析XML：

\ ：\ 简单来说就是根据条件搜索第一次出现的节点
\\：而 \\ 则是根据条件搜索所有的子节点

我们先分享几个小方法：
1.递归遍历文件夹，找出所有以xml结尾的文件

/**

• 递归查找文件及子文件夹下面的XML文件
• @param file
• @return
  */
  def getFile(file:File): Array[File] ={
  val files = file.listFiles().filter(! .isDirectory)
  .filter(t => t.toString.toLowerCase.endsWith(".xml")) //此处读取.txt and .md文件
  files ++ file.listFiles().filter(.isDirectory).flatMap(getFile)
  }

2.解决dtd校验文件问题
源码：
这儿我们会用到loadFile去加载xml文件，我们根据源码可以看到loadFile传进去了一个parser方法:

XML.XML.loadFile(filename)
/**

• Loads XML from the given InputSource, using the supplied parser.
• The methods available in scala.xml.XML use the XML parser in the JDK.
  /
  def loadXML(source: InputSource, parser: SAXParser): T = {
  val newAdapter = adapter
  newAdapter.scopeStack push TopScope
  parser.parse(source, newAdapter)
  newAdapter.scopeStack.pop()
  newAdapter.rootElem.asInstanceOf[T]
  }
  /* Loads XML from the given file, file descriptor, or filename. */
  def loadFile(file: File): T = loadXML(fromFile(file), parser)
  def loadFile(fd: FileDescriptor): T = loadXML(fromFile(fd), parser)

继承XMLLoader，重写parser方法，设置参数忽略校验

object MyXML extends XMLLoader[Elem] {
override def parser: SAXParser = {
val f = javax.xml.parsers.SAXParserFactory.newInstance()
f.setNamespaceAware(false)
f.setFeature("http://apache.org/xml/features/nonvalidating/load-external-dtd", false)
f.newSAXParser()
}
}

最终代码实现：

import java.io.File
import java.util
import org.apache.spark.sql.SparkSession
import scala.xml.{Elem, SAXParser, XML}
import scala.xml.factory.XMLLoader

object ParseCNPatentFile {
def main(args: Array[String]): Unit = {
//构建sparksession
val spark = SparkSession.builder()
.appName("SparkSQLDemo")
.master("local[1]")
.getOrCreate()
val sc = spark.sparkContext

//需要解析的文件路径
val path = new File("data/CNPatentData")
val parseddata = getFile(path).map(line => {
// println(line.toString)
val parseFile = line.toString
//解析xml的方法
parseCNPatent(parseFile)
})

sc.parallelize(parseddata).saveAsTextFile("data/CNPatentData/result")
}
/**

• 递归查找文件及子文件夹下面的XML文件
• @param file
• @return
  */
  def getFile(file:File): Array[File] ={
  val files = file.listFiles().filter(! .isDirectory)
  .filter(t => t.toString.toLowerCase.endsWith(".xml")) //此处读取.txt and .md文件
  files ++ file.listFiles().filter(.isDirectory).flatMap(getFile)
  }

/**

• 解析xml文件
• @param filename
• @return
  /
  def parseCNPatent(filename:String): String ={
  // val someXML = XML.loadFile(filename)
  val someXML = MyXML.loadFile(filename)
  /*
  • 提取基础属性
    */
    val ossfoder = filename
    val file = (someXML \ "PatentDocumentAndRelated" "@file").text
    .
    .
    .
    }
    object MyXML extends XMLLoader[Elem] {
    override def parser: SAXParser = {
    val f = javax.xml.parsers.SAXParserFactory.newInstance()
    f.setNamespaceAware(false)
    f.setFeature("http://apache.org/xml/features/nonvalidating/load-external-dtd", false)
    f.newSAXParser()
    }
    }
    }