Question

我有一个格式如下的csv文件

TRAABRX12903CC4816,1548880,2:19,4:7,...
.
.
.

我的问题是我想解释为

{(key:chararray,key2:int,{(id:int,cnt:int)})}

到目前为止，我的代码是

data = LOAD 'mxm_dataset_test_3.txt' using PigStorage(',');
data0 = foreach data generate $0 as key:chararray, {$2 ..} as bow;

对于data0这个架构data0: {key: chararray,bow: {(NULL)}} 当我尝试使用

将其显式转换为(bag{tuple(chararray)})时

data0 = foreach data generate $0 as key:chararray, {$2 ..} as bow;

这会产生错误Cannot cast bag with schema :bag{:tuple(:NULL)} to bag with schema :bag{:tuple(:chararray)}

Answer 1

使用TOBAG内置功能构建你的包：

$ cat input
TRAABRX12903CC4816,1548880,2:19,4:7
TRAABRX12903CC4816,1548881,2:19,4:7,5:23,7:3
TRAABRX12903CC4816,1548882
TRAABRX12903CC4816,1548883,17:33
$ cat test.pig
data = LOAD 'input' USING PigStorage(',');
data0 = FOREACH data GENERATE $0 AS key:chararray, $1 AS key2:chararray, TOBAG($2 ..) AS bow:{(pair)};
DESCRIBE data0;
DUMP data0;
$ pig -x local test.pig
...
data0: {key: chararray,key2: chararray,bow: {(pair: NULL)}}
...
(TRAABRX12903CC4816,1548880,{(2:19),(4:7)})
(TRAABRX12903CC4816,1548881,{(2:19),(4:7),(5:23),(7:3)})
(TRAABRX12903CC4816,1548882,{})
(TRAABRX12903CC4816,1548883,{(17:33)})

但是，如果你想拆分id：cnt对，这会变得更加棘手。因为无法将模式分配给任意数量的元素，并且TOBAG是UDF，所以Pig无法将字节数组转换为字符串或其他任何内容。

我建议将整行作为字符串（USING PigStorage('\n')）加载，使用STRSPLIT限制为3来获取key，key2和逗号 - 以逗号分隔的字符串列表，然后在逗号上使用STRSPLIT进行迭代，然后在冒号上使用FLATTEN和TOBAG根据需要获取所需的对。我会为你演示这个，但是我坚持使用Pig 0.9，并且PIG-2311判断，直到Pig 0.10才能实现这一点。

最简单的解决方案可能就是编写自己的UDF来解释像2:13,9:4,5:4这样的字符串：

data = LOAD 'input' USING PigStorage('\n') AS (line:chararray);
data0 = FOREACH data GENERATE FLATTEN(STRSPLIT(line, ',', 3)) AS (key:chararray, key2:chararray, pairs:chararray);
data1 = FOREACH data0 GENERATE key, key2, myudfs.PARSE_PAIRS(pairs);

其中myudfs.PARSE_PAIRS返回包含所需元组的包。祝你好运。

在拉丁语中加载csv

1 个答案: