在 pig 中编码

Question

使用 Pig Latin 加载包含某些特定字符(例如，À、° 和其他字符)的数据并将数据存储在 .txt 文件中，可以看到 txt 文件中的这些符号显示为 � 和 ï 字符。这是因为 UTF-8 替换字符。
我想问一下是否有可能以某种方式避免它，也许使用一些 pig 命令，在结果中(在 txt 文件中)例如 À 而不是 �？

Answer 1

在 Pig 中，我们内置了动态调用程序，允许 Pig 程序员引用 Java 函数，而无需将它们包装在自定义 Pig UDF 中。因此，现在您可以将数据作为 UTF-8 编码字符串加载，然后对其进行解码，然后对其执行所有操作，然后将其存储为 UTF-8。我想这应该适用于第一部分:

    DEFINE UrlDecode InvokeForString('java.net.URLDecoder.decode', 'String String');
    encoded_strings = LOAD 'encoded_strings.txt' as (encoded:chararray);
    decoded_strings = FOREACH encoded_strings GENERATE UrlDecode(encoded, 'UTF-8');

负责执行此操作的 java 代码是:

    import java.io.IOException;
    import java.net.URLDecoder;

    import org.apache.pig.EvalFunc;
    import org.apache.pig.data.Tuple;

    public class UrlDecode extends EvalFunc<String> {

        @Override
        public String exec(Tuple input) throws IOException {
            String encoded = (String) input.get(0);
            String encoding = (String) input.get(1);
            return URLDecoder.decode(encoded, encoding);
        }
    }

现在修改此代码以从普通字符串返回 UTF-8 编码的字符串并将其存储到您的文本文件中。希望它有效。