Apache Pig TOKENIZE()用法及代碼示例

這個TOKENIZE()Pig Latin 的函數用於將字符串(包含一組單詞)拆分為單個元組，並返回一個包含拆分操作輸出的包。

用法

下麵給出的是TOKENIZE()函數。

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

作為分隔符TOKENIZE()函數，我們可以傳遞空格[]、雙引號[" "]、逗號[,]、括號[()]、星號[*]。

示例

假設我們有一個名為student_details.txt在 HDFS 目錄中/pig_data/如下所示。該文件包含學生的詳細信息，如 ID、姓名、年齡和城市。如果我們仔細觀察，學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 

我們已將此文件以關係名稱加載到 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);

標記字符串

我們可以使用TOKENIZE()分割字符串的函數。例如，讓我們使用此函數拆分名稱，如下所示。

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

確認

驗證關係student_name_tokenize使用DUMP操作符如下圖。

grunt> Dump student_name_tokenize;

輸出

它將產生以下輸出，顯示關係的內容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()函數接受雙引號[" "]、逗號[、]、括號[()]、星號[*]作為分隔符。

示例

假設有一個文件名為details.txt與學生的詳細信息，如 ID、姓名、年齡和城市。在名稱列下，該文件包含學生的名字和姓氏，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 

我們已將此文件以關係名稱加載到 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);

現在，嘗試使用 TOKENIZE() 將學生的名字和姓氏分開，如下所示。

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

在驗證tokenize_data使用轉儲運算符建立關係，您將得到以下結果。

grunt> Dump tokenize_data;

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