hadoop - pig : Unable to load data using PigStorage

Question

我在一个 txt 文件中有这个 smaple 数据集(格式:名字，姓氏，年龄，性别)

(Eric,Ack,27,M),(Jeremy,Ross,29,F)
(Jenny,Dicken,27,F),(Vijay,Sampath,40,M)
(Angs,Dicken,28,M),(Venu,Rao,28,M)
(Mahima,Mohanty,29,F),(Kenny,Oath,28,M)

我正在尝试像这样加载此数据:

tuple_record = LOAD '~/Documents/Pig_Tuple.txt' USING PigStorage(',') AS (details:tuple(firstname:chararray,lastname:chararray,age:int,sex:chararray));

但这不起作用:

DUMP tuple_record;

我在运行这个命令时得到了这个(即它什么都不返回)

()
()
()
()

请告知如何加载此数据集。

Answer 1

原因是，元组和元组内的每个字段都有相同的分隔符(',')。在这种情况下，pig 将解析输入并在模式转换中失败。

您可以在您的控制台中看到以下日志

"Unable to interpret the value in field being converted to type tuple, caught ParseException <Unexpect end of tuple> field discarded"

解决这个问题

1. 您需要将元组定界符 ',' 更改为不同的内容。在下面的示例中，我使用 '#' 作为分隔符而不是 ','。您可以使用 (',') 以外的任何分隔符

2. 您的输入文件有两个元组，但您在加载模式中只定义了一个元组，因此您还需要定义另一个。

示例:

输入

(Eric,Ack,27,M)#(Jeremy,Ross,29,F)
(Jenny,Dicken,27,F)#(Vijay,Sampath,40,M)
(Angs,Dicken,28,M)#(Venu,Rao,28,M)
(Mahima,Mohanty,29,F)#(Kenny,Oath,28,M)

Pigscript:

tuple_record = LOAD '~/Documents/Pig_Tuple.txt' USING PigStorage('#') AS (details:tuple(firstname:chararray,lastname:chararray,age:int,sex:chararray), details1:tuple(firstname1:chararray,lastname1:chararray,age1:int,sex1:chararray));
DUMP tuple_record;

输出:

((Eric,Ack,27,M),(Jeremy,Ross,29,F))
((Jenny,Dicken,27,F),(Vijay,Sampath,40,M))
((Angs,Dicken,28,M),(Venu,Rao,28,M))
((Mahima,Mohanty,29,F),(Kenny,Oath,28,M))

更新:
如何将分隔符“,”更改为不同的内容
选项 1:使用 sed
这是一个非常简单的选项，通过使用 sed 命令将 '),(' 模式替换为 ')#(' 模式，这样分隔符将从 ',' 到同一输入文件中的 '#'。(注意:在执行此 sed 脚本之前备份您的输入文件)

>> sed -i -- 's/),(/)#(/g' inputFile

选项 2:在不更改定界符的情况下对 pigscript 进行轻微修改
Pigscript:

--Read each input line as chararray
A = LOAD 'inputFile' AS (line:chararray);

--Remove the character '(',')' from the input
B = FOREACH A GENERATE FLATTEN(REPLACE(line,'[)(]+','')) AS (newline:chararray);

--Split the input using ',' as delimiter, 8 refer to total number of fields
C = FOREACH B GENERATE FLATTEN(STRSPLIT(newline,',',8)) AS (firstname1:chararray,lastname1:chararray,age1:int,sex1:chararray,firstname2:chararray,lastname2:chararray,age2:int,sex2:chararray);

--Group the fields and form tuples 
D = FOREACH C GENERATE TOTUPLE(firstname1,lastname1,age1,sex1) AS details1,TOTUPLE(firstname2,lastname2,age2,sex2) AS details2;

--Now you can do whatever you want.
E = FOREACH D GENERATE details1.firstname1,details2.firstname2;
DUMP E;