我正在使用Hadoop Pig(0.10.0)处理日志文件,日志行看起来像:
2012-08-01 INFO (User:irim) getListedStocksByMarkets completed in 7041 ms
我想得到与空格分开的标记的关系,即:
(2012-08-01,INFO,(User:irim),getListedStocksByMarkets,completed,in,7041,ms
)
使用statement:
加载该数据 records = LOAD 'myapp.log' using PigStorage(' ');
没有实现这一点,因为我的令牌可以被几个空格分开,导致几个空标记。 PigStorage似乎不支持正则表达式分隔符(或者至少我没有成功配置它)。
所以我的问题是:获得这些令牌的最佳方式是什么?
如果我可以从关系中删除空元素,我会很高兴,可以用Pig做到吗?
例如从:
开始 (2012-08-01,,,INFO,,,(User:irim),,getListedStocksByMarkets,completed,in,7041,ms
)
获得
(2012-08-01,INFO,(User:irim),getListedStocksByMarkets,completed,in,7041,ms
)
我正在尝试使用TextLoader
然后TOKENIZE
的另一种方法,但我不确定这是最好的策略。
也许用户负载功能是更自然的选择...
此致
乔尔
答案 0 :(得分:2)
您可以使用带有正则表达式的内置函数STRSPLIT将行拆分为元组。以下是使用逗号作为分隔符的特定示例的脚本:
inpt = load '~/data/regex.txt' as (line : chararray);
dump inpt;
-- 2012-08-01,,,INFO,,,(User:irim),,getListedStocksByMarkets,completed,in,7041,ms
splt = foreach inpt generate flatten(STRSPLIT(line, ',+'));
dump splt;
-- (2012-08-01,INFO,(User:irim),getListedStocksByMarkets,completed,in,7041,ms)