Question

我有U-SQL脚本，我需要处理一些数据。数据存储在blob中，在此文件夹结构中每天约有100个文件：/{year}/{month}/{day}/{hour}/filenames.tsv

获取一天的数据非常简单，最后只需添加一个通配符，它将选出当天所有小时的所有文件。

但是，在我的脚本中，我想要读出当天和前一天的最后2小时。天真的方式是以这种方式使用3个提取语句：

DECLARE @input1 = @"/data/2017/10/08/22/{*}.tsv";
DECLARE @input2 = @"/data/2017/10/08/23/{*}.tsv";
DECLARE @input3 = @"/data/2017/10/09/{*}.tsv";

@x1 = EXTRACT .... FROM @input1 USING Extractors.Tsv();
@x2 = EXTRACT .... FROM @input2 USING Extractors.Tsv();
@x3 = EXTRACT .... FROM @input3 USING Extractors.Tsv();

但在我的情况下，每个提取行使用AvroExtractor都非常冗长和复杂（~50列），所以我真的更喜欢只指定列和提取器一次而不是3次。此外，通过从呼叫方那里获得3个输入来决定应该读取前几天的小时数。

我的问题是如何以方便的方式定义它，理想情况下只使用一个提取语句？

Answer 1

您可以将逻辑包装到U-SQL存储过程中，以便对其进行封装。然后你只需要调用proc。一个简单的例子：

CREATE PROCEDURE IF NOT EXISTS main.getContent(@inputPath string, @outputPath string)
AS
BEGIN;

    @output =
        EXTRACT 
         ...
        FROM @inputPath
        USING Extractors.Tsv();


    OUTPUT @output
    TO @outputPath
    USING Outputters.Tsv();

END;

然后调用它（未经测试）：

main.getContent (
    @"/data/2017/10/08/22/{*}.tsv",
    @"/output/output1.tsv"
    )

main.getContent (
    @"/data/2017/10/08/23/{*}.tsv",
    @"/output/output2.tsv"
    )

main.getContent (
    @"/data/2017/10/09/{*}.tsv",
    @"/output/output3.tsv"
    )

这可能是一种方法吗？

如何在USQL中定义多个输入文件模式？

1 个答案: