在Apache Spark中更改分隔符

Question

我是Apache Spark新手，我希望能够读取XML文件并计算每个标题的字数。 XML文件是这样的：

<title>first title</title> 
<words>there are seven words in this example</words> 
<title>second title</title> 
<words>there are more words here, ten words to be precise</words> 

我使用Python编写的Spark工作，但是当我输入

sc.textFile("file://...") 

它会自动拆分使用换行符（\ n）的为我的文件其分隔符。我希望它分成几行，直到它再次找到“< title>”。

我想获得会是这样的结果：

first title: 7 
second title: 10 

我怎样才能做到这一点？

在此先感谢

Answer 1

我建议给一个尝试spark-xml，如果你使用XML文件的工作。