hadoop - 如何在 Pig Latin 中每行加载一个带有 JSON 数组的文件

Question

现有脚本创建文本文件，每行包含一组 JSON 对象，例如，

[{"foo":1,"bar":2},{"foo":3,"bar":4}]
[{"foo":5,"bar":6},{"foo":7,"bar":8},{"foo":9,"bar":0}]
…

我想在 Pig 中加载这些数据，分解数组并处理每个单独的对象。

我在 Twitter 的 Elephant Bird 中查看了使用 JsonLoader无济于事。它不会提示 JSON，但是在运行以下命令时我得到“成功读取 0 条记录”:

register '/tmp/elephant-bird/core/target/elephant-bird-core-4.3-SNAPSHOT.jar';
register '/tmp/elephant-bird/hadoop-compat/target/elephant-bird-hadoop-compat-4.3-SNAPSHOT.jar';
register '/tmp/elephant-bird/pig/target/elephant-bird-pig-4.3-SNAPSHOT.jar';
register '/usr/local/lib/json-simple-1.1.1.jar';

a = load '/path/to/file.json' using com.twitter.elephantbird.pig.load.JsonLoader('-nestedLoad=true');
dump a;

我还尝试正常加载文件，将每一行视为包含单列字符数组，然后尝试将其解析为 JSON，但我找不到似乎可以解决问题的预先存在的 UDF。

有任何想法吗？

Answer 1

就像唐纳德说的，你应该在这里使用 UDF。在这里 Xplenty我们编写了 JsonStringToBag 来补充 ElephantBird 的 JsonStringToMap。