Skip to content

Latest commit

 

History

History
133 lines (96 loc) · 4.7 KB

hadoop_zh.md

File metadata and controls

133 lines (96 loc) · 4.7 KB
Raw

Hadoop连接器

上级文档: connectors

主要功能

Hadoop连接器可用于批式场景下的hdfs文件读取。其功能点主要包括:

  • 支持同时读取多个hdfs目录下的文件
  • 支持读取多种格式的hdfs文件

依赖引入

<dependency>
   <groupId>com.bytedance.bitsail</groupId>
   <artifactId>bitsail-connector-hadoop</artifactId>
   <version>${revision}</version>
</dependency>

支持的数据类型

  • 支持的基础数据类型如下:
    • 整数类型:
      • tinyint
      • smallint
      • int
      • bigint
    • 浮点类型:
      • float
      • double
      • decimal
    • 时间类型:
      • timestamp
      • date
    • 字符类型:
      • string
      • varchar
      • char
    • 布尔类型:
      • boolean
    • 二进制类型:
      • binary
  • 支持的复杂数据类型包括:
    • map
    • array

主要参数

以下参数使用在job.reader配置中，实际使用时请注意路径前缀。示例:

{
  "job": {
    "reader": {
      "path_list": "hdfs://test_path/test.csv"
    }
  }
}

必需参数

参数名称 参数是否必需 参数枚举值 参数含义
class 是 Hadoop读连接器类名，只能为com.bytedance.bitsail.connector.hadoop.source.HadoopInputFormat
path_list 是 指定读入文件的路径。可指定多个路径，使用','分隔
content_type 是 JSON
CSV		 指定读入文件的格式，详情参考支持的文件格式
columns 是 数据字段名称及类型

可选参数

参数名称 参数是否必需 参数枚举值 参数含义
hadoop_conf 否 指定hadoop的读入配置，格式为标准json格式字符串
reader_parallelism_num 否 读并发数

支持的文件格式

支持对以下格式的文件进行解读:

JSON

支持对json格式的文本文件进行解析，要求每行均为标准的json字符串。 支持以下参数对json解析方式进行调整:

参数名称 参数默认值 参数说明
job.common.case_insensitive true 是否对json字段中的key大小写敏感
job.common.json_serializer_features 指定FastJsonUtil进行解析时的模式，格式为','分隔的字符串，例如"QuoteFieldNames,UseSingleQuotes"
job.common.convert_error_column_as_null false 是否将解析出错的字段置为null

CSV

支持对csv格式的文本文件进行解析，要求每行均为标准的csv字符串。 支持以下参数对csv解析方式进行调整:

参数名称 参数默认值 参数说明
job.common.csv_delimiter ',' csv分隔符
job.common.csv_escape escape字符
job.common.csv_quote quote字符
job.common.csv_with_null_string 指定null字段的转化值，默认不转化

相关文档

配置示例文档 hadoop连接器示例