Spark SQL需借助spark-xml库读取XML：按Spark版本选对应依赖，用format("xml")及rowTag等option解析为DataFrame，注册视图后支持SQL查询，属性需加@前缀，嵌套字段自动转StructType。
Spark SQL本身不原生支持XML文件读取，需要借助第三方库（如Databricks的spark-xml）将XML解析为DataFrame后，才能用SQL操作。
添加spark-xml依赖
这是最关键的一步。不同Spark版本需匹配对应版本的spark-xml库：
- Spark 3.0+：推荐使用
com.databricks:spark-xml_2.12:0.17.0（Scala 2.12） - Spark 2.4：可用
com.databricks:spark-xml_2.11:0.14.0 - 提交作业时通过
--packages参数自动下载（本地开发或集群提交都适用）：spark-shell --packages com.databricks:spark-xml_2.12:0.17.0
读取XML并转为DataFrame
使用format("xml")指定数据源类型，并通过option()设置关键参数：
-
rowTag：指定每条记录对应的XML标签名（必填），例如
<book>...</book>就设为"book" -
inferSchema：设为
true可自动推断字段类型（适合结构较规整的XML） -
attributePrefix：用于区分属性与子元素（默认
"@"，如@id表示id属性） - 示例代码：
val df = spark.read
.format("xml")
.option("rowTag", "book")
.option("inferSchema", "true")
.load("books.xml")
注册临时表并执行SQL查询
将DataFrame注册为临时视图后，即可用标准Spark SQL语法查询：
df.createOrReplaceTempView("books")- 然后运行：
spark.sql("SELECT title, @category FROM books WHERE @category = 'fiction'").show() - 注意：XML属性在SQL中需加前缀（如
@category），文本内容直接用字段名（如title）
处理嵌套与命名空间（进阶）
复杂XML常含嵌套结构或命名空间，需额外配置：
- 嵌套字段会自动转为StructType，可用
col("author.firstName")访问 - 含命名空间时，需先用
option("rowTag", "{http://example.com}book")或预处理移除命名空间 - 若自动推断不准，可手动定义Schema传入
.schema(mySchema)提升稳定性
