使用 PIG 从 mysqldump 加载答案

【问题标题】：Loading from mysqldump with PIG使用 PIG 从 mysqldump 加载
【发布时间】：2011-07-14 12:20:29
【问题描述】：

我有一个 mysqldump 的格式：

INSERT INTO `MY_TABLE` VALUES (893024968,'342903068923468','o03gj8ip234qgj9u23q59u','testing123','HTTP','1','4213883b49b74d3eb9bd57b7','blahblash','2011-04-19 00:00:00','448','206',NULL,'GG');

如何使用 pig 加载这些数据？我试过了;

A = LOAD 'pig-test/test.log' USING PigStorage(',') AS (ID: chararray, USER_ID: chararray, TOKEN: chararray, NODE: chararray, CHANNEL: chararray, CODE: float, KEY: chararray, AGENT: chararray, TIME: chararray, DURATION: float, RESPONSE: chararray, MESSAGE: chararray, TARGET: chararray);

使用 , 作为分隔符可以正常工作，但我希望 ID 为 int，但我无法弄清楚如何切断前导“INSERT INTO MY_TABLE VALUES (”和尾随“);”加载时。

另外，我应该如何加载日期时间信息以便查询？

您能提供的任何帮助都会很棒。

【问题讨论】：

标签： hadoop apache-pig

【解决方案1】：

您可以将每条记录加载为一行文本，然后尝试使用MyRegExLoader 或REGEX_EXTRACT_ALL 正则表达式/提取字段：

A = LOAD 'data' AS (record: CHARARRAY);
B = FOREACH A GENERATE REGEX_EXTRACT_ALL(record, 'INSERT INTO...., \'(\d+)\', ...');

这是一种 hack，但您也可以使用 REPLACE 来删除多余的文本：

B = FOREACH A
    GENERATE
      (INT) REPLACE(ID, 'INSERT INTO MY_TABLE VALUES (', ''),
      ...
      REPLACE(TARGET, ');', '');

目前分号存在问题，因此您可能需要自己处理REPLACE。

Pig 中没有原生的 date type，但您可以使用 PiggyBank 中的日期工具或构建自己的 UDF 以将其转换为 Unix long。

另一种方法是编写一个简单脚本（Python...）来准备加载数据。

【讨论】：