Apache Pig：如何加载存储在 hdfs 中的序列文件？

Question

我的序列文件直接存储在 hdfs 例如：

grunt> ls   
grunt> ls /blabla
hdfs://namenode1:54310/blabla/0411f03a-db7f-48d0-9542-5203304e3e81.seq<r 3> 185284523
hdfs://namenode1:54310/blabla/05be8fc0-e967-42e1-b76a-0d7108a69d17.seq<r 3> 201489688
hdfs://namenode1:54310/blabla/06222427-519c-49c0-bbbf-49a9f43bbd13.seq<r 3> 196858576
hdfs://namenode1:54310/blabla/066da26a-48da-45b1-83f5-60d16475e40d.seq<r 3> 194832641
hdfs://namenode1:54310/blabla/07cbfc83-42a2-47bf-b364-d39da3a2d071.seq<r 3> 194806047
hdfs://namenode1:54310/blabla/10dea7b8-9ed3-4e66-b4bd-a3c07d8bf39e.seq<r 3> 166224702

我如何创建一个 Pig 脚本来读取目录“blabla”中的每个文件并执行操作？

我尝试了多种加载输入的方法，但 none 有效：

%default INPUT '/blabla/f8fbbe9a-aae3-413f-b3b9-37cdef71da8f.seq'
%default INPUT 'hdfs://namenode1:54310/blabla/f8fbbe9a-aae3-413f-b3b9-37cdef71da8f.seq'
%default INPUT 'f8fbbe9a-aae3-413f-b3b9-37cdef71da8f.seq'

我总是得到错误：

输入：

Failed to read data from "hdfs://namenode1:54310/........."

Answer 1

你试过这种方式吗:

%default INPUT 'hdfs://namenode1:54310/blabla/*'

?

如果您的 .seq 文件是可读的，它应该可以工作。看起来它们不是，因为您尝试这样做应该加载一个文件。你能给出完整的日志行吗？

也许你必须使用 pig SequenceFileLoader。

Answer 2

您可以尝试通过以下方式阅读序列文件：

猪序列文件加载器：

A = LOAD 'hdfs://namenode1:54310/blabla/*'  using org.apache.pig.piggybank.storage.SequenceFileLoader();

(或)使用象鸟:

REGISTER 'elephant-bird-pig-3.0.5.jar';
REGISTER 'elephant-bird-core-4.1.jar';
REGISTER 'elephant-bird-hadoop-compat-4.1.jar';   
A = LOAD 'hdfs://namenode1:54310/blabla/*'  using com.twitter.elephantbird.pig.load.SequenceFileLoader();

Apache Pig：如何加载存储在 hdfs 中的序列文件？

Apache Pig: How to load a sequence file which is stored in hdfs?

hadoop

apache-pig