跳转至

TxtFile Reader

TxtFileReader 提供了读取本地文件系统数据存储的能力。

配置样例

{
  "job": {
    "setting": {
      "speed": {
        "channel": 2,
        "bytes": -1
      }
    },
    "content": {
      "reader": {
        "name": "txtfilereader",
        "parameter": {
          "path": [
            "/tmp/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": "/tmp/result",
          "fileName": "txt_",
          "writeMode": "truncate",
          "format": "yyyy-MM-dd"
        }
      }
    }
  }
}

参数说明

配置项 是否必须 默认值 描述
path 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,详细描述见下文
column 读取字段列表,type指定源数据的类型,详见下文
fieldDelimiter , 描述:读取的字段分隔符
encoding utf-8 读取文件的编码配置
skipHeader false 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
csvReaderConfig 读取CSV类型文件参数配置,Map类型。不配置则使用默认值,详见下文

path

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。目前只支持 * 作为文件通配符。

特别需要注意的是,Addax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Addax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,Addax将报错。

从 3.2.3 版本起, path 下允许混合不同压缩格式的文件,插件会尝试自动猜测压缩格式并自动解压,目前支持的压缩格式有:

  • zip
  • bzip2
  • gzip
  • LZ4
  • PACK200
  • XZ
  • Compress

column

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
  },
  {
    "type": "string",
    "value": "alibaba"
  }
]

对于用户指定Column信息,type必须填写,index/value必须选择其一。

4.0.1 开始,表示字段除了使用 index 来指定字段的顺序外,还支持 name 方式,这需要所读取的文件的都包含了文件头,插件会尝试将指定的 name 去匹配从文件读取的文件头, 然后得到对应的 index 值,并回写到 配置文件中。同时,indexname 可以在不同的列上进行混合使用,比如下面这样:

[
  {
    "type": "long",
    "index": 0
  },
  {
    "name": "region",
    "type": "string"
  },
  {
    "type": "string",
    "value": "alibaba"
  }
]

注: 这种方式以为这在准备阶段就要尝试读取文件,因为会有一定的性能损失,如非必要,不建议配置 name 方式。

csvReaderConfig

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。

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;

类型转换

Addax 内部类型 本地文件 数据类型
Long Long
Double Double
String String
Boolean Boolean
Date Date