Hadoop 如何在PIG中读取以分号分隔的csv文件

如何在PIG中读取以分号分隔的CSV文件？ 数据还可以包含分号

例如。 输入行：名称；年龄住址简历包含特殊字符，如；，$$@^；评级

输出：这些字段中的每一个都应该加载到列中，特别是恢复列应该包含特殊字符，如；，$$@^

注意：我尝试了PigStorage、CVSLoader，但仍然无法使其工作，因为分隔符也可能在数据中。

您可以使用piggybank.jar读取此类文件

首先需要在pig脚本中注册piggybank.jar，然后才能在脚本中使用函数。下面是我还没有测试过的代码片段，但我相信它会成功的

REGISTER 'piggybank-0.12.0.jar';

DEFINE CSVExcelStorage org.apache.pig.piggybank.storage.CSVExcelStorage();

input_lines = LOAD 'PATH/TO/FILES' using CSVExcelStorage(';', 'YES_MULTILINE') AS (name:chararray, age:int, address:chararray, details:chararray);

有关更多详细信息，请参阅并尝试此解决方案

A = load 'pigconcat' using PigStorage(';') as (a:chararray,b:chararray,c:chararray,d:chararray,e:chararray,f:chararray);

B = foreach A GENERATE a,b,c,CONCAT(CONCAT(d,';'),e) as (resume:chararray),f; 

C= foreach B GENERATE resume;

dump C;

---

如果输入数据中也存在分隔符，那么我的建议是使用Regex，而不是任何加载技术pigstorage，CSVStorage。这将为您的输入提供更灵活的控制。我同意许多ppl不会使用正则表达式，因为它本质上很复杂，但是使用正则表达式可以很容易地解决这类问题

示例

输入

笔迹：

输出：

注: 这是一个非常通用的解决方案，无论输入栏中有多少特殊字符，它都可以工作。在这个脚本中，我只打印了resume列，以防您需要其他列，然后包含在关系C中

"Name";"Age";"Address";"Resume contains special char like ;,$#$@^";"Rating"
"Name1";"Age1";"Address1";"Resume;$# contains ;@^ special char like ;,$#$@^";"Rating"

A = LOAD 'input' AS (line:chararray);
B = FOREACH A GENERATE FLATTEN(REGEX_EXTRACT_ALL(line,'("\\w+");("\\w+");("\\w+");("[\\w+\\s;$,#@^]+");("\\w+")')) AS(name,age,address,resume,rating);
C = FOREACH B GENERATE resume;
DUMP C;

("Resume contains special char like ;,$#$@^")
("Resume;$# contains ;@^ special char like ;,$#$@^")