hadoop - 使用 PigLatin (Hadoop) 加载多个文件

Question

我有一个具有相同格式的 csv 文件的 hdfs 文件列表。我需要能够将LOAD他们与猪一起。例如：

/path/to/files/2013/01-01/qwe123.csv
/path/to/files/2013/01-01/asd123.csv
/path/to/files/2013/01-01/zxc321.csv
/path/to/files/2013/01-02/ert435.csv
/path/to/files/2013/01-02/fgh987.csv
/path/to/files/2013/01-03/vbn764.csv

它们不能被地球化，因为它们的名字是“随机”散列并且它们的目录可能包含更多的 csv 文件。

Answer 1

You aren't restricted to globbing. Use this:

LOAD '/path/to/files/2013/01-{01/qwe123,01/asd123,01/zxc321,02/ert435,02/fgh987,03/vbn764}.csv';

Answer 2

正如其他评论中所建议的，您可以通过预处理文件来做到这一点。假设您的 HDFS 文件名为file_list.txt，那么您可以执行以下操作：

pig -param flist=`hdfs dfs -cat file_list.txt | awk 'BEGIN{ORS="";}{if (NR == 1) print; else print ","$0;}'` script.pig

该awk代码去掉了换行符并使用逗号分隔文件名。

在您的脚本（script.pig在我的示例中调用）中，您应该使用参数替换来加载数据：

data = LOAD '$flist';