1

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。我对 Clean_Text、Format_Date、Format_TimeStamp、Format_Integer 等有多种功能。

我的想法是将模式作为构造函数传递给我的 UDF，并在 pig 中的平面文件上调用不同的函数。

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;

但是我怎样才能通过模式？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

公共类 DataColumnFormatter 扩展 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;
}

}

如何在 PIG UDF 中获取架构，或者有没有其他方法可以实现这一点。

提前致谢。

4

1 回答 1

1

从您的 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因此已经被装饰了。

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

于 2016-04-15T18:26:08.273 回答