DataX系列3-TxtFileReader介绍
文章目录
- 一.快速介绍
- 二. 功能与限制
- 三. 功能说明
- 3.1 配置样例
- 3.2 参数说明
- 3.2.1 path
- 3.2.2 column
- 3.2.3 fieldDelimiter
- 3.2.4 compress
- 3.2.5 encoding
- 3.2.6 skipHeader
- 3.2.7 nullFormat
- 3.2.8 csvReaderConfig
- 3.3 类型转换
- 参考:
一.快速介绍
实际生产中,鉴于数据安全、不同够公司数据交互等原因,很多时候会使用txt、csv等文件格式来交互数据。
TxtFileReader提供了读取本地文件系统数据存储的能力。在底层实现上,TxtFileReader获取本地文件数据,并转换为DataX传输协议传递给Writer。
本地文件内容存放的是一张逻辑意义上的二维表,例如CSV格式的文本信息。
二. 功能与限制
TxtFileReader实现了从本地文件读取数据并转为DataX协议的功能,本地文件本身是无结构化数据存储,对于DataX而言,TxtFileReader实现上类比OSSReader,有诸多相似之处。
目前TxtFileReader支持功能如下:
支持且仅支持读取TXT的文件,且要求TXT中shema为一张二维表。
支持类CSV格式文件,自定义分隔符。
支持多种类型数据读取(使用String表示),支持列裁剪,支持列常量
支持递归读取、支持文件名过滤。
支持文本压缩,现有压缩格式为zip、gzip、bzip2。
多个File可以支持并发读取。
我们暂时不能做到:
单个File支持多线程并发读取,这里涉及到单个File内部切分算法。二期考虑支持。
单个File在压缩情况下,从技术上无法支持多线程并发读取。
三. 功能说明
3.1 配置样例
{"setting": {},"job": {"setting": {"speed": {"channel": 2}},"content": [{"reader": {"name": "txtfilereader","parameter": {"path": ["/home/haiwei.luo/case00/data"],"encoding": "UTF-8","column": [{"index": 0,"type": "long"},{"index": 1,"type": "boolean"},{"index": 2,"type": "double"},{"index": 3,"type": "string"},{"index": 4,"type": "date","format": "yyyy.MM.dd"}],"fieldDelimiter": ","}},"writer": {"name": "txtfilewriter","parameter": {"path": "/home/haiwei.luo/case00/result","fileName": "luohw","writeMode": "truncate","format": "yyyy-MM-dd"}}}]}
}
3.2 参数说明
3.2.1 path
描述:
本地文件系统的路径信息,注意这里可以支持填写多个路径。
当指定单个本地文件,TxtFileReader暂时只能使用单线程进行数据抽取。二期考虑在非压缩文件情况下针对单个File可以进行多线程并发读取。
当指定多个本地文件,TxtFileReader支持使用多线程进行数据抽取。线程并发数通过通道数指定。
当指定通配符,TxtFileReader尝试遍历出多个文件信息。例如: 指定/*代表读取/目录下所有的文件,指定/bazhen/代表读取bazhen目录下游所有的文件。TxtFileReader目前只支持作为文件通配符。
特别需要注意的是,DataX会将一个作业下同步的所有Text File视作同一张数据表。用户必须自己保证所有的File能够适配同一套schema信息。读取文件用户必须保证为类CSV格式,并且提供给DataX权限可读。
特别需要注意的是,如果Path指定的路径下没有符合匹配的文件抽取,DataX将报错。
必选:是
默认值:无
3.2.2 column
描述:
读取字段列表,type指定源数据的类型,index指定当前列来自于文本第几列(以0开始),value指定当前类型为常量,不从源头文件读取数据,而是根据value值自动生成对应的列。
默认情况下,用户可以全部按照String类型读取数据,配置如下:
"column": ["*"]
用户可以指定Column字段信息,配置如下:
{"type": "long","index": 0 //从本地文件文本第一列获取int字段},{"type": "string","value": "alibaba" //从TxtFileReader内部生成alibaba的字符串字段作为当前字段}
对于用户指定Column信息,type必须填写,index/value必须选择其一。
必选:是
默认值:全部按照string类型读取
3.2.3 fieldDelimiter
描述:读取的字段分隔符
必选:是
默认值:,
3.2.4 compress
描述:文本压缩类型,默认不填写意味着没有压缩。支持压缩类型为zip、gzip、bzip2。
必选:否
默认值:没有压缩
3.2.5 encoding
描述:读取文件的编码配置。
必选:否
默认值:utf-8
3.2.6 skipHeader
描述:类CSV格式文件可能存在表头为标题情况,需要跳过。默认不跳过。
必选:否
默认值:false
3.2.7 nullFormat
描述:文本文件中无法使用标准字符串定义null(空指针),DataX提供nullFormat定义哪些字符串可以表示为null。
例如如果用户配置: nullFormat:"\N",那么如果源头数据是"\N",DataX视作null字段。
必选:否
默认值:\N
3.2.8 csvReaderConfig
描述:读取CSV类型文件参数配置,Map类型。读取CSV类型文件使用的CsvReader进行读取,会有很多配置,不配置则使用默认值。
必选:否
默认值:无
常见配置:
"csvReaderConfig":{"safetySwitch": false,"skipEmptyRecords": false,"useTextQualifier": false
}
所有配置项及默认值,配置时 csvReaderConfig 的map中请严格按照以下字段名字进行配置:
boolean caseSensitive = true;
char textQualifier = 34;
boolean trimWhitespace = true;
boolean useTextQualifier = true;//是否使用csv转义字符
char delimiter = 44;//分隔符
char recordDelimiter = 0;
char comment = 35;
boolean useComments = false;
int escapeMode = 1;
boolean safetySwitch = true;//单列长度是否限制100000字符
boolean skipEmptyRecords = true;//是否跳过空行
boolean captureRawRecord = true;
3.3 类型转换
本地文件本身不提供数据类型,该类型是DataX TxtFileReader定义:
其中:
- 本地文件 Long是指本地文件文本中使用整形的字符串表示形式,例如"19901219"。
- 本地文件 Double是指本地文件文本中使用Double的字符串表示形式,例如"3.1415"。
- 本地文件 Boolean是指本地文件文本中使用Boolean的字符串表示形式,例如"true"、“false”。不区分大小写。
- 本地文件 Date是指本地文件文本中使用Date的字符串表示形式,例如"2014-12-31",Date可以指定format格式。
参考:
- https://github.com/alibaba/DataX/blob/master/txtfilereader/doc/txtfilereader.md
DataX系列3-TxtFileReader介绍相关推荐
- DataX系列4-TxtFileWriter介绍
文章目录 一. 快速介绍 二. 功能与限制 三. 功能说明 3.1 配置样例 3.2 参数说明 3.2.1 path 3.2.2 fileName 3.2.3 writeMode 3.2.4 fiel ...
- SpringBoot 2.0 系列001 -- 入门介绍以及相关概念
为什么80%的码农都做不了架构师?>>> SpringBoot 2.0 系列001 -- 入门介绍以及相关概念 什么是SpringBoot? 项目地址:http://proje ...
- 提炼游戏引擎系列:开篇介绍
前言 大家好!本系列记录了从炸弹人游戏中提炼2D游戏引擎YEngine2D雏形的实战过程,您可以通过本系列了解到引擎提炼的思想.引擎的设计以及引擎是如何从游戏中提炼的,学习引擎开发的知识.希望对您能有 ...
- WPF入门教程系列三——Application介绍(续)
接上文WPF入门教程系列二--Application介绍,我们继续来学习Application 三.WPF应用程序的关闭 WPF应用程序的关闭只有在应用程序的 Shutdown 方法被调用时,应用程序 ...
- WPF入门教程系列四——Dispatcher介绍
WPF入门教程系列四--Dispatcher介绍 一.Dispatcher介绍 微软在WPF引入了Dispatcher,那么这个Dispatcher的主要作用是什么呢? 不管是WinForm应用程序还 ...
- asp.net core 系列 19 EFCore介绍
asp.net core 系列 19 EFCore介绍 原文:asp.net core 系列 19 EFCore介绍 一.概述 目前最新的EF Core版本是3.0,最稳定的EF Core版本是2.2 ...
- .NET 4 并行(多核)编程系列之一入门介绍
.NET 4 并行(多核)编程系列之一入门介绍 本系列文章将会对.NET 4中的并行编程技术(也称之为多核编程技术)以及应用作全面的介绍. 本篇文章的议题如下: 1. 并行编程和多线程编程的区别. ...
- 大白话5分钟带你走进人工智能-第二十二节决策树系列之概念介绍(1)
第二十二节决策树系列之概念介绍(1) 本系列我们讲一个新算法及其衍生出来的系列算 ...
- TCP重点系列之sack介绍
原文: TCP重点系列之sack介绍 | 凡是过去 皆为序曲https://allen-kevin.github.io/2017/03/01/TCP%E9%87%8D%E7%82%B9%E7%B3%B ...
最新文章
- 计算机网络共享打不开,网络和共享中心打不开,共享无法访问没有权限
- 牵引力教育设计总监解密9大2018潮流UI设计趋向
- mysql bypass_Bypass MySQL Safedog
- 十五步骤手把手学会制作网吧XP母盘制作
- 删除按钮_SPA PP COGI中禁用删除按钮?
- 学习C++项目—— 计算机网络编程基础 和 学习多线程,多进程基础
- CSDN 文章自动显示全文
- 你到底是前端人还是搬砖人?推荐一款国产摸鱼神器!
- Android五子棋开发实验报告,Android五子棋游戏实验报告.doc
- 第一章 大数据发展数据与鲲鹏大数据
- error: expected ‘=‘, ‘,‘, ‘;‘, ‘asm‘ or ‘__attribute__‘ before ‘{‘ token
- 龙讯4号 龙芯图谋你的客厅
- 跨域请求的API接口
- 拿到阿里,网易游戏,腾讯,smartx的offer的过程
- 靶机渗透练习90-Grotesque:1.0.1
- 9.opencv-python;cv2库;形态学;MORPH_TOPHAT礼帽与MORPH_BLACKHAT黑帽
- 帮助文档的使用和制作
- Spring AOP原理及使用,面试必备
- 【步进电机与Arduino使用教程】
- 内容与标准为王:下一代互联网与下一代搜索
热门文章
- outline:none || hidefocus=true || onfocus=this.blur();
- 【Markdown语法高级】 让你的博客更精彩(三:常用图标模板)
- 正则表达式匹配数字和空白
- 婚礼策划预约小程序开发,拓展客户人群
- hp暗影精灵2 安装ubuntu16.04
- Linux知识积累——ssh链接和ubuntu查看隐藏文件及显示隐藏文件所占用存储空间
- 深蓝学院 kitti2bag使用 踩坑路
- Swift-Button 的 highlighted(高亮)
- 美团技术总监分享:高并发系统的设计及秒杀实践原理分析
- 华硕ROG品牌机安装ubuntu双系统