Hadoop Pig - 删除 csv header

Question

我的 csv 文件第一行有 header。将它们加载到 pig 中会对任何后续函数（如 SUM）造成混乱。从今天开始，我首先对加载的数据应用过滤器以删除包含 headers 的行：

affaires    = load 'affaires.csv'   using PigStorage(',') as (NU_AFFA:chararray,    date:chararray) ;
affaires    = filter affaires by date matches '../../..';

我认为它作为一种方法有点愚蠢，我想知道是否有一种方法可以告诉 pig 不要加载 csv 的第一行，例如加载的 "as_header" 布尔参数功能。我没有在文档上看到它。最佳做法是什么？你平时是怎么处理的？？

Answer 1

CSVExcelStorage 加载程序支持跳过 header 行，因此使用 CSVExcelStorage 而不是 PigStorage。下载 piggybank.jar 并尝试此选项。

示例

input.csv

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript:(有SKIP_INPUT_HEADER选项）

REGISTER '/tmp/piggybank.jar';
A  = LOAD 'input.csv' USING org.apache.pig.piggybank.storage.CSVExcelStorage(',', 'NO_MULTILINE', 'UNIX', 'SKIP_INPUT_HEADER');
DUMP A;

输出：

(a,10,chennai)
(b,20,banglore)

参考：
http://pig.apache.org/docs/r0.13.0/api/org/apache/pig/piggybank/storage/CSVExcelStorage.html

Answer 2

Pig 0.9 的另一个简单选项，不使用 SKIP_INPUT_HEADER 选项可以按如下方式完成：

输入文件(input.txt)

input.txt

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript:（不使用 SKIP_INPUT_HEADER 选项，因为此选项在 Pig 0.9 中不可用）

register '<Your location>/piggybank.jar';
d_with_headers  = LOAD 'input.csv' using org.apache.pig.piggybank.storage.CSVExcelStorage() AS (name:chararray, age:long, location:chararray);

d = FILTER places_with_headers BY name!='Name';

dump d;

输出：

(a,10,chennai)
(b,20,banglore)

Hadoop Pig - 删除 csv header

Hadoop Pig - Removing csv header

csv

hadoop

apache-pig