Hadoop Pig - 删除 csv 标头

Posted 2023-04-18

【中文标题】Hadoop Pig - 删除 csv 标头

【英文标题】：Hadoop Pig - Removing csv header

【发布时间】：2015-03-29 22:24:03

【问题描述】：

我的 csv 文件在第一行有标题。将它们加载到 pig 会在任何后续函数（如 SUM）上造成混乱。截至今天，我首先对加载的数据应用过滤器以删除包含标题的行：

affaires    = load 'affaires.csv'   using PigStorage(',') as (NU_AFFA:chararray,    date:chararray) ;
affaires    = filter affaires by date matches '../../..';

我认为它作为一种方法有点愚蠢，我想知道是否有一种方法可以告诉猪不要加载 csv 的第一行，例如加载函数的“as_header”布尔参数。 我在文档上没有看到。最佳做法是什么？你平时是怎么处理的？？

【参考方案1】：

CSVExcelStorage 加载器支持跳过标题行，因此使用 CSVExcelStorage 代替 PigStorage。下载 piggybank.jar 并尝试此选项。

示例

input.csv

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript：（使用 SKIP_INPUT_HEADER 选项）

REGISTER '/tmp/piggybank.jar';
A  = LOAD 'input.csv' USING org.apache.pig.piggybank.storage.CSVExcelStorage(',', 'NO_MULTILINE', 'UNIX', 'SKIP_INPUT_HEADER');
DUMP A;

输出：

(a,10,chennai)
(b,20,banglore)

参考：http://pig.apache.org/docs/r0.13.0/api/org/apache/pig/piggybank/storage/CSVExcelStorage.html

【参考方案2】：

Pig 0.9 的另一个简单选项，不使用 SKIP_INPUT_HEADER 选项可以如下完成：

输入文件(input.txt)

input.txt

Name,Age,Location
a,10,chennai
b,20,banglore

PigScript：（不使用 SKIP_INPUT_HEADER 选项，因为此选项在 Pig 0.9 中不可用）

register '<Your location>/piggybank.jar';
d_with_headers  = LOAD 'input.csv' using org.apache.pig.piggybank.storage.CSVExcelStorage() AS (name:chararray, age:long, location:chararray);

d = FILTER places_with_headers BY name!='Name';

dump d;

输出：

(a,10,chennai)
(b,20,banglore)