Apache Pig：使用 hadoop fs -text 加载显示良好的文件答案

【问题标题】：Apache Pig: Load a file that shows fine using hadoop fs -textApache Pig：使用 hadoop fs -text 加载显示良好的文件
【发布时间】：2023-04-05 12:48:01
【问题描述】：

我有名为 part-r-000[0-9][0-9] 并且包含制表符分隔字段的文件。我可以使用 hadoop fs -text part-r-00000 查看它们，但无法使用 pig 加载它们。

我尝试过的：

x = load 'part-r-00000';
dump x;
x = load 'part-r-00000' using TextLoader();
dump x;

但这只会给我带来垃圾。如何使用 pig 查看文件？

可能相关的是我的 hdfs 目前仍在使用 CDH-2。此外，如果我将文件下载到本地并运行file part-r-00000，它会显示part-r-00000: data，我不知道如何在本地解压缩。

【问题讨论】：

我相信你的第一个 load 使用 PigStorage，但也许你可以通过明确的方式仔细检查，x = LOAD 'part-r-00000' USING USING PigStorage('\t')。当您在本地下载文件时，如果您查看它（即tail），它是垃圾/二进制文件吗？您能举出生成此数据的代码示例吗？
明确使用 PigStorage 会得到相同的结果。下载到本地（使用 -get 或 -copyToLocal）文件不可读，即。 e.二进制/垃圾（少或尾）。我会尝试找到创建这些文件的代码并报告。
该文件似乎已存储为序列文件。我已经能够使用用户定义的加载函数从中提取行。有没有比使用 udf 更简单的方法？
我用与序列文件相关的示例代码更新了我的答案。希望有帮助:)

标签： linux hadoop apache-pig cloudera

【解决方案1】：

根据HDFS Documentation，hadoop fs -text <file> 可用于“zip 和 TextRecordInputStream”数据，因此您的数据可能是其中一种格式。

如果文件被压缩，通常Hadoop会在输出到HDFS时添加扩展名，但如果缺少这个，你可以尝试在本地解压/ungzipping/unbzip2ing/etc进行测试。看起来 Pig 应该自动解压缩，但可能需要存在文件扩展名（例如 part-r-00000.zip）——more info。

我不太确定 TextRecordInputStream.. 听起来它只是 Pig 的默认方法，但我可能是错的。当我快速谷歌时，我没有看到任何提到通过 Pig 加载这些数据。

更新： 由于您发现它是一个序列文件，因此您可以使用 PiggyBank 加载它：

-- using Cloudera directory structure:
REGISTER /usr/lib/pig/contrib/piggybank/java/piggybank.jar
--REGISTER /home/hadoop/lib/pig/piggybank.jar
DEFINE SequenceFileLoader org.apache.pig.piggybank.storage.SequenceFileLoader();


-- Sample job: grab counts of tweets by day
A = LOAD 'mydir/part-r-000{00..99}' # not sure if pig likes the {00..99} syntax, but worth a shot 
    USING SequenceFileLoader AS (key:long, val:long, etc.);

【讨论】：

{00..99} 不起作用，所以我只是使用 * 代替。之后可以使用B = FOREACH A GENERATE flatten(STRSPLIT (val, '\t')) AS (etc.) 读取该行，因为 SequenceFileLoader 只返回两列。

【解决方案2】：

如果你想用Pig 操作（读/写）序列文件，那么你也可以试试推特的Elephant-Bird。

您可以找到here 示例如何读取/写入它们。

如果您在序列文件中使用自定义 Writables，那么您可以通过扩展 AbstractWritableConverter 来实现自定义转换器。

请注意，Elephant-Bird 需要在您的机器上安装 Thrift。在构建它之前，请确保它使用您拥有的正确 Thrift 版本，并在其 pom.xml 中提供 Thrift 可执行文件的正确路径：

<plugin>
  <groupId>org.apache.thrift.tools</groupId>
  <artifactId>maven-thrift-plugin</artifactId>
  <version>0.1.10</version>
  <configuration>
    <thriftExecutable>/path_to_thrift/thrift</thriftExecutable>
  </configuration>
</plugin>

【讨论】：