Question

我的csv文件在第一行有标题。将它们加载到猪中会在任何后续功能（如SUM）上造成混乱。截至今天，我首先对加载的数据应用过滤器，以删除包含标题的行：

affaires    = load 'affaires.csv'   using PigStorage(',') as (NU_AFFA:chararray,    date:chararray) ;
affaires    = filter affaires by date matches '../../..';

我认为它作为一种方法有点愚蠢，我想知道是否有一种方法可以告诉猪不要加载csv的第一行，就像加载函数的“as_header”布尔参数一样。我没有在doc上看到它。什么是最佳做法？你通常如何处理？

Answer 1

CSVExcelStorage加载程序支持跳过标题行，因此代替PigStorage使用CSVExcelStorage。下载piggybank.jar并尝试此选项。

示例

input.csv

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript :(使用SKIP_INPUT_HEADER选项）

REGISTER '/tmp/piggybank.jar';
A  = LOAD 'input.csv' USING org.apache.pig.piggybank.storage.CSVExcelStorage(',', 'NO_MULTILINE', 'UNIX', 'SKIP_INPUT_HEADER');
DUMP A;

<强>输出：

(a,10,chennai)
(b,20,banglore)

<强>参考：
http://pig.apache.org/docs/r0.13.0/api/org/apache/pig/piggybank/storage/CSVExcelStorage.html

Answer 2

Pig 0.9的另一个简单选项，不使用SKIP_INPUT_HEADER选项，可以按如下方式完成：

输入文件（input.txt）

<强> input.txt中

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript :(不使用SKIP_INPUT_HEADER选项，因为Pig 0.9中没有此选项）

register '<Your location>/piggybank.jar';
d_with_headers  = LOAD 'input.csv' using org.apache.pig.piggybank.storage.CSVExcelStorage() AS (name:chararray, age:long, location:chararray);

d = FILTER places_with_headers BY name!='Name';

dump d;

<强>输出：

(a,10,chennai)
(b,20,banglore)

Hadoop Pig - 删除csv头

2 个答案: