spark-shell 根据MySQL的shtd_industry库中MachineData表，根据以下要求转换：获取数据后，首先解析列MachineRecordData的数据（数据格式为xml，采用dom4j解析），并获取每条数据的主轴转速，主轴倍率，主轴负载，进给倍率，进给速度，PMC程序号，循环时间，运行时间，有效轴数，总加工个数，已使用内存，未使用内存，可用程序量，注册程序量等相关的值（若该条数据没有相关值，则设置默认值为0.0），同时转换machine_record_state字段的值，若值为报警，则填写1，否则填写0，将数据保存在dwd.fact_machine_learning_data，使用cli按照machine_record_id升序排序，查询dwd.fact_machine_learning_data前1条数据

好的，根据您的要求，我可以给您提供以下的 spark-shell 代码，可以实现您的需求：

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.dom4j._
import org.dom4j.io.SAXReader
import scala.util.Try

// 创建 SparkSession
val spark = SparkSession.builder()
  .appName("MachineLearningDataConversion")
  .getOrCreate()

// 读取 MySQL 中的 MachineData 表
val jdbcDF = spark.read
  .format("jdbc")
  .option("url", "jdbc:mysql://hostname:port/shtd_industry")
  .option("dbtable", "MachineData")
  .option("user", "username")
  .option("password", "password")
  .load()

// 定义 UDF 解析 MachineRecordData 列的 xml 数据
val parseXml = udf((xmlData: String, key: String) => {
  Try {
    val reader = new SAXReader()
    val document = reader.read(new InputSource(new StringReader(xmlData)))
    document.getRootElement.element(key).getText.toDouble
  }.getOrElse(0.0)
})

// 转换数据集
val transformedDF = jdbcDF.select(
  $"MachineRecordId", $"MachineRecordData",
  parseXml($"MachineRecordData", lit("MainAxisRotationalSpeed")).as("MainAxisRotationalSpeed"),
  parseXml($"MachineRecordData", lit("MainAxisMultiplier")).as("MainAxisMultiplier"),
  parseXml($"MachineRecordData", lit("MainAxisLoad")).as("MainAxisLoad"),
  parseXml($"MachineRecordData", lit("FeedMultiplier")).as("FeedMultiplier"),
  parseXml($"MachineRecordData", lit("FeedSpeed")).as("FeedSpeed"),
  parseXml($"MachineRecordData", lit("PMCProgramNo")).as("PMCProgramNo"),
  parseXml($"MachineRecordData", lit("CycleTime")).as("CycleTime"),
  parseXml($"MachineRecordData", lit("RunTime")).as("RunTime"),
  parseXml($"MachineRecordData", lit("EffectiveAxisNum")).as("EffectiveAxisNum"),
  parseXml($"MachineRecordData", lit("ProcessedTotalNum")).as("ProcessedTotalNum"),
  parseXml($"MachineRecordData", lit("UsedMemory")).as("UsedMemory"),
  parseXml($"MachineRecordData", lit("UnusedMemory")).as("UnusedMemory"),
  parseXml($"MachineRecordData", lit("ProgramNum")).as("ProgramNum"),
  parseXml($"MachineRecordData", lit("RegisteredProgramNum")).as("RegisteredProgramNum"),
  when($"MachineRecordState" === "报警", 1).otherwise(0).as("MachineRecordState")
)
.transform(df => df.na.fill(0.0))

// 将转换后的数据保存到 dwd.fact_machine_learning_data 表中
transformedDF.write
  .format("jdbc")
  .option("url", "jdbc:mysql://hostname:port/dwd")
  .option("dbtable", "fact_machine_learning_data")
  .option("user", "username")
  .option("password", "password")
  .mode("overwrite")
  .save()

// 查询 dwd.fact_machine_learning_data 前1条数据
val resultDF = spark.read
  .format("jdbc")
  .option("url", "jdbc:mysql://hostname:port/dwd")
  .option("dbtable", "fact_machine_learning_data")
  .option("user", "username")
  .option("password", "password")
  .load()
  .orderBy("MachineRecordId")
  .limit(1)

resultDF.show()

需要注意的是，您需要将代码中的 `hostname`、`port`、`username` 和 `password` 替换为实际的 MySQL 服务器地址、端口、用户名和密码。