hadoop - 如何从 Hadoop 的 Pig 处理的文件中修剪标题行？

Question

我正在尝试通过 Pig 程序使用 Amazon 的 Elastic Map Reduce 解析我们的服务生成的制表符分隔数据文件。一切进展顺利，除了我们所有的数据文件都包含一个定义每一列用途的标题行。显然，(字符串) header 不能转换为数字数据值，因此我从 Pig 收到如下警告:

2011-03-17 22:49:55,378 [main] WARN  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.PigHadoopLogger - org.apache.pig.builtin.PigStorage: Unable to interpret value [<snip>] in field being converted to double, caught NumberFormatException <For input string: "headerName"> field discarded

我在加载语句之后有一个过滤器，它试图确保我以后不会对任何标题行进行操作(通过过滤掉标题术语)，但我想摆脱警告噪音以避免掩盖任何潜在问题(例如未正确转换的实际数据字段)。

这可能吗？

Answer 1

如果您不习惯编写 UDF，另一种选择可能是这样的:

示例数据:

MyIntVal
123
456

脚本:

A = load 's3://blah/myFile' USING PigStorage() as (myintval: chararray);

B = filter A by myintval neq 'MyIntVal';

C = foreach B generate (int)$0;

这将过滤掉标题行，然后将剩余的值转换为 int。

并不是说这是最好的方法，但如果适合您的情况，这是另一种非常简单的选择。