TxtFile Reader¶
TxtFile Reader 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 | 数据类型 | 默认值 | 描述 |
---|---|---|---|---|
path | 是 | list | 无 | 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 | 是 | list<map>\|* |
无 | 读取字段列表,type指定源数据的类型,详见下文 |
fieldDelimiter | 是 | string | , |
描述:读取的字段分隔符 |
encoding | 否 | string | utf-8 | 读取文件的编码配置 |
skipHeader | 否 | boolean | 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 | 否 | string | 无 | 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。
从 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,index
和 name
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 |