Apache Pig - TOKENIZE() 函数

---

---

Pig Latin 的TOKENIZE()函数用于将一个字符串（包含一组单词）分割成单个元组，并返回一个包含分割操作结果的Bag。

语法

以下是TOKENIZE()函数的语法。

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

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

示例

假设我们在HDFS目录/pig_data/中有一个名为student_details.txt的文件，如下所示。此文件包含学生的信息，例如ID、姓名、年龄和城市。如果仔细观察，学生姓名包含由空格[ ]分隔的姓和名。

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 

我们已使用关系名student_details将此文件加载到Pig中，如下所示。

grunt> student_details = LOAD 'hdfs://127.0.0.1:9000/pig_data/student_details.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int,  city:chararray);

字符串分词

我们可以使用TOKENIZE()函数来分割字符串。例如，让我们使用此函数分割姓名，如下所示。

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

验证

使用DUMP操作符验证关系student_name_tokenize，如下所示。

grunt> Dump student_name_tokenize;

输出

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

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

其他分隔符

同样，除了空格[]之外，TOKENIZE()函数还接受双引号[" "]、逗号[ , ]、括号[ () ]、星号[ * ]作为分隔符。

示例

假设有一个名为details.txt的文件，其中包含学生的信息，例如ID、姓名、年龄和城市。在姓名列中，此文件包含由各种分隔符分隔的学生的姓和名，如下所示。

details.txt

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

我们已使用关系名details将此文件加载到Pig中，如下所示。

grunt> details = LOAD 'hdfs://127.0.0.1:9000/pig_data/details.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int,  city:chararray);

现在，尝试使用TOKENIZE()如下所示分离学生的姓和名。

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

使用dump操作符验证tokenize_data关系后，您将得到以下结果。

grunt> Dump tokenize_data;

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