Pig - 删除 gzip 文件中嵌入的换行符和逗号答案

【问题标题】：Pig - Remove embedded newlines and commas in gzip filesPig - 删除 gzip 文件中嵌入的换行符和逗号
【发布时间】：2015-07-13 21:52:27
【问题描述】：

我有一个 gzip 文件，其中的数据字段用逗号分隔。我目前正在使用 PigStorage 加载文件，如下所示：

A = load 'myfile.gz' USING PigStorage(',') AS (id,date,text);

gzip 文件中的数据具有嵌入字符 - 嵌入换行符和逗号。这些字符存在于所有三个字段中 - id、日期和文本。嵌入的字符总是在 "" 引号内。

我想在进行任何进一步处理之前使用 Pig 替换或删除这些字符。

我想我需要首先查找 "" 引号的出现。找到这些引号后，我需要查看这些引号中的字符串并搜索其中的逗号和换行符。找到后，我需要用空格替换它们或删除它们。

如何通过 Pig 实现这一点？

【问题讨论】：

字段用逗号分隔，字段内可以是逗号吗？是什么分隔了字段中的逗号？或者，这些字段是否已经解析..
@sln 是的，字段用逗号分隔。在字段中，可以有逗号（这不是字段分隔符，而只是字段中包含的文本的一部分）。字段中的逗号在 "" 引号内。
@activelearner : CSVExcelStorage 或 CSVLoader 会将 "" 中表示的文本加载为单个字段。试试建议的答案，然后告诉我。

标签： regex apache-pig newline comma

【解决方案1】：

试试这个：

REGISTER piggybank.jar; 
A = LOAD 'myfile.gz' USING org.apache.pig.piggybank.storage.CSVExcelStorage() AS (id:chararray,date:chararray,text:chararray);
B = FOREACH A GENERATE  REPLACE(REPLACE(id,'\n',''),',','') AS id, REPLACE(REPLACE(date,'\n',''),',','') AS date, REPLACE(REPLACE(text,'\n',''),',','') AS text;

我们可以使用：org.apache.pig.piggybank.storage.CSVExcelStorage() 或 org.apache.pig.piggybank.storage.CSVLoader()。

详情请参考以下 API 链接

【讨论】：

非常感谢！这对我有用。我所做的唯一修改是在加载 gzip 文件时，我使用 A = LOAD 'myfile.gz' USING org.apache.pig.piggybank.storage.CSVExcelStorage(',', 'YES_MULTILINE') AS (id:chararray,日期：字符数组，文本：字符数组）； YES_MULTILINE 允许在字段中换行。这可以防止存在换行符的字段在加载步骤中被截断。对于嵌入字符的实际删除，一旦我们加载具有上述更改的数据，替换功能就会起作用。