我有大量数据,涵盖数百个文件。显然,它存在一些编码问题(主要是 UTF-8,但显然有些字符无效)。根据https://msdn.microsoft.com/en-us/library/azure/mt764098.aspx如果存在编码错误,无论将静默标志设置为 true(目的只是跳过错误行),都会发生运行时错误。
因此,我需要编写一个自定义提取器。我写了一个主要是 https://blogs.msdn.microsoft.com/data_otaku/2016/10/27/a-fixed-width-extractor-for-azure-data-lake-analytics/ 中示例的简化版本。因为它只需要一行,用分隔符将其分割,然后返回 try block 中的值。如果有任何异常,我只是处理它们并继续。
不幸的是,我在 USQL 脚本本身中实际引用此提取器时遇到了问题。当我按照上述链接上的指导进行操作时,它建议在另一个程序集中编写逻辑,构建它,将其注册在 ADLS 数据库/程序集中,然后通过 REFERENCE ASSEMBLY MyExtractors;
包含它在脚本的顶部(因为这是使用的 namespace )。在下面的Using语句中,我用USING new SimpleExtractor();
来调用它。如果这样做,在针对 type or namespace cannot be found
的 ADLS 服务运行脚本时会出现错误。 。此外,如果我尝试更精确并使用 USING new MyExtractors.SimpleExtractor();
在 using 语句中,它会产生相同的错误,引用上面的 USING 语句。
然后我在较旧的来源中找到了其他文档 https://azure.microsoft.com/en-us/documentation/articles/data-lake-analytics-u-sql-develop-user-defined-operators/它描述了在代码隐藏文件中执行相同的操作。我删除了单独的程序集并将逻辑复制到该文件中的类中。步骤 #6 中的示例未显示任何 REFERENCE ASSEMBLY
语句,但是当我运行它时,我收到一个错误,即 type or namespace name cannot be found
。
查看最新的发行说明,希望这里的某些内容已经过时,我唯一看到的是,如果我使用 USING
声明,在实际使用自定义代码的程序集之前,我需要引用它(如第一次尝试),我就是这样。
任何人都可以提供一些关于如何在 USQL 中正确引用 UDO 的指导,或者以其他方式指示如何让运行时静默处理编码异常(并跳过它们)?
这是我的提取器本身的逻辑:
using System.Collections.Generic;
using System.IO;
using System.Text;
using Microsoft.Analytics.Interfaces;
namespace Utilities
{
[SqlUserDefinedExtractor(AtomicFileProcessing = true)]
public class ModifiedTextExtractor : IExtractor
{
//Contains the row
private readonly Encoding _encoding;
private readonly byte[] _row_delim;
private readonly char _col_delim;
public ModifiedTextExtractor()
{
_encoding = Encoding.UTF8;
_row_delim = _encoding.GetBytes("\r\n");
_col_delim = '\t';
}
public override IEnumerable<IRow> Extract(IUnstructuredReader input, IUpdatableRow output)
{
//Read the input line by line
foreach (var current in input.Split(_row_delim))
{
using (var reader = new StreamReader(current, this._encoding))
{
var line = reader.ReadToEnd().Trim();
//If there are any single or double quotes in the line, escape them
line = line.Replace(@"""", @"\""");
var count = 0;
//Split the input by the column delimiter
var parts = line.Split(_col_delim);
foreach (var part in parts)
{
output.Set<string>(count, part);
count += 1;
}
}
yield return output.AsReadOnly();
}
}
}
}
以及我如何尝试在 USQL 语句中使用它的片段(将其注册为程序集之后):
REFERENCE ASSEMBLY [Utilities];
CREATE VIEW MyView AS ...
USING new Utilities.ModifiedTextExtractor();
谢谢!
最佳答案
您遇到了 View 无法引用自定义代码的问题。在 U-SQL 中,所有对象都需要包含其上下文规范(例如其主体中引用的程序集)(这使得对象更加独立,并避免在对象用户不知情的情况下拉出潜在的长依赖关系的问题)。
您需要做的是将 VIEW 转换为表值函数:
CREATE FUNCTION MyFunct(/* optional parameters */) RETURNS @res AS
BEGIN
REFERENCE ASSEMBLY [Utilities];
@res = EXTRACT ... USING new Utilities.ModifiedTextExtractor();
END;
然后按如下方式调用该函数(请注意,您需要在 SELECT
语句中提供行集别名):
@data = SELECT ... FROM MyFunct() AS f WHERE ...;
或者如果您不想应用投影或滤镜:
@data = MyFunct();
与 View 一样,表值函数将被内联。
关于azure-data-lake - 在 USQL 中编写自定义提取器以跳过有编码问题的行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40389614/