Apache Pig TOKENIZE()用法及代码示例

这个TOKENIZE()Pig Latin 的函数用于将字符串(包含一组单词)拆分为单个元组，并返回一个包含拆分操作输出的包。

用法

下面给出的是TOKENIZE()函数。

grunt> TOKENIZE(expression [, 'field_delimiter']) 

作为分隔符TOKENIZE()函数，我们可以传递空格[]、双引号[" "]、逗号[,]、括号[()]、星号[*]。

示例

假设我们有一个名为student_details.txt在 HDFS 目录中/pig_data/如下所示。该文件包含学生的详细信息，如 ID、姓名、年龄和城市。如果我们仔细观察，学生的姓名包括用空格 [ ] 分隔的名字和姓氏。

student_details.txt

001,Rajiv Reddy,21,Hyderabad
002,siddarth Battacharya,22,Kolkata 
003,Rajesh Khanna,22,Delhi 
004,Preethi Agarwal,21,Pune 
005,Trupthi Mohanthy,23,Bhuwaneshwar 
006,Archana Mishra,23 ,Chennai 
007,Komal Nayak,24,trivendram 
008,Bharathi Nambiayar,24,Chennai 

我们已将此文件以关系名称加载到 Pig 中student_details如下所示。

grunt> student_details = LOAD 'hdfs://localhost:9000/pig_data/student_details.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int,  city:chararray);

标记字符串

我们可以使用TOKENIZE()分割字符串的函数。例如，让我们使用此函数拆分名称，如下所示。

grunt> student_name_tokenize = foreach student_details  Generate TOKENIZE(name);

确认

验证关系student_name_tokenize使用DUMP操作符如下图。

grunt> Dump student_name_tokenize;

输出

它将产生以下输出，显示关系的内容student_name_tokenize如下。

({(Rajaiv),(Reddy)})
({(siddarth),(Battacharya)})
({(Rajesh),(Khanna)})
({(Preethi),(Agarwal)})
({(Trupthi),(Mohanthy)})
({(Archana),(Mishra)})
({(Komal),(Nayak)})
({(Bharathi),(Nambiayar)})

其他分隔符

同理，包括空格[]，TOKENIZE()函数接受双引号[" "]、逗号[、]、括号[()]、星号[*]作为分隔符。

示例

假设有一个文件名为details.txt与学生的详细信息，如 ID、姓名、年龄和城市。在名称列下，该文件包含学生的名字和姓氏，由不同的分隔符分隔，如下所示。

details.txt

001,"siddarth""Battacharya",22,Kolkata 
002,Rajesh*Khanna,22,Delhi 
003,(Preethi)(Agarwal),21,Pune 

我们已将此文件以关系名称加载到 Pig 中details如下所示。

grunt> details = LOAD 'hdfs://localhost:9000/pig_data/details.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int,  city:chararray);

现在，尝试使用 TOKENIZE() 将学生的名字和姓氏分开，如下所示。

grunt> tokenize_data = foreach details Generate TOKENIZE(name);

在验证tokenize_data使用转储运算符建立关系，您将得到以下结果。

grunt> Dump tokenize_data;

({(siddarth),(Battacharya)})
({(Rajesh),(Khanna)})
({(Preethi),(Agarwal)})