> Apache Pig中文手册 > TOKENIZE()

Pig Latin的 TOKENIZE() 函数用于在单个元组中分割字符串(其中包含一组字),并返回包含拆分操作输出的包。

语法

下面给出了 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[*]。

假设在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 

通过关系 student_details 将此文件加载到的Pig中,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);

拆分字符串

我们可以使用 TOKENIZE() 函数拆分字符串。作为示例,让我们使用此函数分割名称,如下所示。

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

验证

使用 DUMP 运算符验证关系 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。

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

其他分隔符

以同样的方式,TOKENIZE()函数接受空格[],双引号[“"],逗号[,],括号[()],星号[*]作为分隔符。

假设有一个名为 details.txt 的文件,其中包含学生的详细信息,如id,name,age和city。在名称列下,此文件包含由各种分隔符分隔的学生的名字和姓氏,如下所示。

details.txt

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

使用关系 details 将此文件加载到Pig中,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()分隔学生的名字和姓氏如下。

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

在使用dump运算符验证 tokenize_data 关系时,将获得以下结果。

grunt> Dump tokenize_data;

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


上一篇: