Pig：无法使用 PigStorage 加载数据

Question

我在 txt 文件中有这个 smaple 数据集（格式：名字、姓氏、年龄、性别）

(Eric,Ack,27,M),(Jeremy,Ross,29,F)
(Jenny,Dicken,27,F),(Vijay,Sampath,40,M)
(Angs,Dicken,28,M),(Venu,Rao,28,M)
(Mahima,Mohanty,29,F),(Kenny,Oath,28,M)

我正在尝试像这样加载此数据：

tuple_record = LOAD '~/Documents/Pig_Tuple.txt' USING PigStorage(',') AS (details:tuple(firstname:chararray,lastname:chararray,age:int,sex:chararray));

但这不起作用：

DUMP tuple_record;

我在运行这个命令时得到了这个（即 returns 什么都没有）

()
()
()
()

请告知如何加载此数据集。

Answer 1

请检查Pig Documentation

的复杂方案部分

cat data;
(3,8,9) (mary,19)
(1,4,7) (john,18)
(2,5,8) (joe,18)

A = LOAD data AS (F:tuple(f1:int,f2:int,f3:int),T:tuple(t1:chararray,t2:int));

DESCRIBE A;
A: {F: (f1: int,f2: int,f3: int),T: (t1: chararray,t2: int)}

DUMP A;
((3,8,9),(mary,19))
((1,4,7),(john,18))
((2,5,8),(joe,18))

Answer 2

原因是元组里面的tuple和each fields都有same delimiter(',')。在这种情况下，pig 将解析输入并在模式转换中失败。

您可以在您的控制台中看到以下日志

"Unable to interpret the value in field being converted to type tuple, caught ParseException <Unexpect end of tuple> field discarded"

解决这个问题

您需要将元组分隔符 ',' 更改为不同的内容。在下面的示例中，我使用 '#' 作为分隔符而不是 ','。您可以使用 (',')
您的输入文件有两个元组，但您在加载模式中只定义了一个元组，因此您还需要定义另一个。

示例：

输入

(Eric,Ack,27,M)#(Jeremy,Ross,29,F)
(Jenny,Dicken,27,F)#(Vijay,Sampath,40,M)
(Angs,Dicken,28,M)#(Venu,Rao,28,M)
(Mahima,Mohanty,29,F)#(Kenny,Oath,28,M)

Pigscript:

tuple_record = LOAD '~/Documents/Pig_Tuple.txt' USING PigStorage('#') AS (details:tuple(firstname:chararray,lastname:chararray,age:int,sex:chararray), details1:tuple(firstname1:chararray,lastname1:chararray,age1:int,sex1:chararray));
DUMP tuple_record;

输出：

((Eric,Ack,27,M),(Jeremy,Ross,29,F))
((Jenny,Dicken,27,F),(Vijay,Sampath,40,M))
((Angs,Dicken,28,M),(Venu,Rao,28,M))
((Mahima,Mohanty,29,F),(Kenny,Oath,28,M))

更新：
如何将分隔符“,”更改为不同的东西
选项 1：使用 sed
这是一个非常简单的选项，通过使用 sed 命令将 '),(' 模式替换为 ')#(' 模式，这样分隔符就会在同一个输入文件中从 ',' 更改为 '#' .（注意：在执行此 sed 脚本之前备份您的输入文件）

>> sed -i -- 's/),(/)#(/g' inputFile

选项 2：在不更改定界符的情况下对 pigscript 进行轻微修改
Pigscript:

--Read each input line as chararray
A = LOAD 'inputFile' AS (line:chararray);

--Remove the character '(',')' from the input
B = FOREACH A GENERATE FLATTEN(REPLACE(line,'[)(]+','')) AS (newline:chararray);

--Split the input using ',' as delimiter, 8 refer to total number of fields
C = FOREACH B GENERATE FLATTEN(STRSPLIT(newline,',',8)) AS (firstname1:chararray,lastname1:chararray,age1:int,sex1:chararray,firstname2:chararray,lastname2:chararray,age2:int,sex2:chararray);

--Group the fields and form tuples 
D = FOREACH C GENERATE TOTUPLE(firstname1,lastname1,age1,sex1) AS details1,TOTUPLE(firstname2,lastname2,age2,sex2) AS details2;

--Now you can do whatever you want.
E = FOREACH D GENERATE details1.firstname1,details2.firstname2;
DUMP E;

Pig：无法使用 PigStorage 加载数据

Pig: Unable to load data using PigStorage

hadoop

mapreduce

apache-pig

bigdata