hadoop - PIG UDF 中的表架构

Question

在将数据加载到 Hive 表之前，我必须在平面文件中格式化数据。

CF32|4711|00010101Z| +34.883|  98562AS1D |N8594ãä| 00   | 2

该文件是管道分隔的，我需要在平面文件的不同列上应用不同的清理和格式化功能。我有 Clean_Text、Format_Date、Format_TimeStamp、Format_Integer 等多个函数。

我的想法是将架构作为构造函数传递给我的 UDF，并在 pig 中调用平面文件上的不同函数。

A = LOAD 'call_detail_records'  USING org.apache.hcatalog.pig.HCatLoader();
DESCRIBE A;

REGISTER ZPigUdfs.jar;
DEFINE DFormat com.zna.pig.udf.DataColumnFormatter(A);

B = FOREACH A GENERATE DFormat($0);
DUMP B;

但是我怎样才能传递模式呢？DUMP A 实际上转储了整个表，但我只需要元数据。 我当前的 UDF 伪代码看起来像

公共(public)类 DataColumnFormatter 扩展了 EvalFunc {

private Tuple schema;

public DataColumnFormatter(Tuple schema) {
    this.schema = schema;
}

@Override
public String exec(Tuple inputTuple) throws IOException {

    if (inputTuple != null && inputTuple.size() > 0) {
        String inpString = inputTuple.get(0).toString();
        System.out.println(inpString);
        System.out.println(schema);

        /**
         * Logic for splitting the string as pipe and apply functions based
         * on positions of schema if(schema[1] -> date ){
         * 
         * formatDate(input) }else if(schema[1] -> INT ){
         * 
         * formatInt(input); }
         * 
         */

    }

    return null;
}

我如何在 PIG UDF 中获取架构，或者是否有任何其他方法可以实现此目的。

提前致谢。

Answer 1

在您的 EvalFunc 中，您可以调用 this.getInputSchema()(至少从 Pig v0.12 开始，可能更早)。您不需要做任何特殊的事情来传递模式，并且由于您是从 HCatalog 加载的，A 已经被装饰了。

或者，您可以考虑为每种数据类型拆分单独的 UDF 函数。类似于 B = FOREACH A GENERATE dateFormat($0), cleanText($1), dateFormat($2);