DataX TxtFileReader 说明

1 快速介绍

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。

2 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：

  1. 支持且仅支持读取TXT的文件，且要求TXT中shema为一张二维表。

  2. 支持类CSV格式文件，自定义分隔符。

  3. 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

  4. 支持递归读取、支持文件名过滤。

  5. 支持文本压缩，现有压缩格式为zip、gzip、bzip2。

  6. 多个File可以支持并发读取。

我们暂时不能做到：

  1. 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。

  2. 单个File在压缩情况下，从技术上无法支持多线程并发读取。

3 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

  • 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

  • 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

  • fieldDelimiter

    • 描述：读取的字段分隔符

    • 必选：是

    • 默认值：,

  • 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

  • encoding

    • 描述：读取文件的编码配置。

    • 必选：否

    • 默认值：utf-8

  • 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

  • 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

  • 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：

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

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。

4 性能报告

5 约束限制

略

6 FAQ

略