==================
需求:在进行hadoop测试时,需要造大量数据,例如某个表存在56列,但实际程序逻辑只适用到某几列,我们造的数据 也只需要某几列
构造几列数据,转化为对应数据表格式
涉及模块:os,getopt,sys
输入:源格式,文本文件
输出:目标格式,文本文件
#!/usr/bin/python
# -*- coding: utf-8 -*-
#dataformat.py
#this script change data from your source to the dest data format
#2011-08-05 created version0.1
#2011-10-29 add row-row mapping ,default row value .rebuild all functions. version0.2
#next:add data auto generate by re expression
import os,getopt,sys
#读入文件,返回所有行
def read_file(path):
f = open(path, "r")
lines = f.readlines()
f.close()
return lines
#处理一行,转为目标格式,返回目标行
def one_line_proc(parts, total, ft_map, outsp, empty_fill):
toindex = 0
outline = ""
keys = ft_map.keys()
for i in range(1, total+1):
if i in keys:
fill_index = ft_map[i]
if fill_index.startswith("d"):
outline += fill_index[1:]
else:
outline += parts[int(fill_index)-1]
else:
outline += empty_fill
if i !=total:
outline += outsp
#TODO:加入使用默认值列 若是以d开头,后面是默认,否则取文件对应列 done
#TODO:这里根据这个判断长度也需要换掉 done
return outline
#处理入口,读文件,循环处理每一行,写出
#输入数据分隔符默认\t,输出数据默认分隔符\t
def process(inpath, total, to, outpath, insp="\t", outsp="\t", empty_fill=""):
#TODO:这里将to转为映射格式 done
ft_map = {}
in_count = 0
used_row = []
for to_row in to:
if r"\:" not in to_row and len(to_row.split(":"))==2:
used_row.append(int(to_row.split(":")[1]))
if r"\=" not in str(to_row) and len(str(to_row).split("="))==2:
pass
else:
in_count += 1
for to_row in to:
if r"\=" not in str(to_row) and len(str(to_row).split("="))==2:
ft_map.update({int(to_row.split("=")[0]):"d"+to_row.split("=")[1]})
continue
elif r"\:" not in to_row and len(to_row.split(":"))==2:
ft_map.update({int(to_row.split(":")[0]):to_row.split(":")[1]})
continue
else:
to_index = 0
for i in range(1, 100):
if i not in used_row:
to_index = i
break
ft_map.update({int(to_row):str(to_index)})
used_row.append(to_index)
lines = read_file(inpath)
f = open(outpath,"w")
result=[]
for line in lines:
parts = line.strip("\n").split(insp)
#TODO:这里判断长度必须换掉 done
if len(parts) >= in_count:
outline = one_line_proc(parts, total, ft_map, outsp, empty_fill)
result.append(outline+"\n")
f.writelines(result)
f.close()
#打印帮助信息
def help_msg():
print("功能:原数据文件转为目标数据格式")
print("选项:")
print("\t -i inputfilepath [必输,原文件路径]")
print("\t -t n [必输,n为数字,目标数据总的域个数]")
print("\t -a '1,3,4' [必输,域编号字符串,逗号分隔。指定域用原数据字段填充,未指定用'0'填充]")
print("\t -o outputfilepath [可选,默认为 inputfilepath.dist ]")
print("\t -F 'FS' [可选,原文件域分隔符,默认为\\t ]")
print("\t -P 'OFS' [可选,输出文件的域分隔符,默认为\\t ]")
sys.exit(0)
#程序入口,读入参数,执行
def main():
try:
opts,args = getopt.getopt(sys.argv[1:],"F:P:t:a:i:o:f:h")
for op,value in opts:
if op in ("-h","-H","--help"):
help_msg()
if op == "-i":
inpath = value
elif op == "-o":
outpath = value
elif op == "-t":
total = int(value)
elif op == "-a":
to = value.split(",")
elif op == "-F":
insp = value.decode("string_escape")
elif op == "-P":
outsp = value.decode("string_escape")
elif op == "-f":
empty_fill = value
#考虑下这边放在神马地方合适
if len(opts) < 3:
print(sys.argv[0]+" : the amount of params must great equal than 3")
sys.exit(1)
except getopt.GetoptError:
print(sys.argv[0]+" : params are not defined well!")
if 'inpath' not in dir():
print(sys.argv[0]+" : -i param is needed,input file path must define!")
sys.exit(1)
if 'total' not in dir():
print(sys.argv[0]+" : -t param is needed,the fields of result file must define!")
sys.exit(1)
if 'to' not in dir():
print(sys.argv[0]+" : -a param is needed,must assign the field to put !")
sys.exit(1)
if not os.path.exists(inpath):
print(sys.argv[0]+" file : %s is not exists"%inpath)
sys.exit(1)
if 'empty_fill' not in dir():
empty_fill = ''
tmp=[]
for st in to:
tmp.append(str(st))
to=tmp
if 'outpath' not in dir():
outpath = inpath+".dist"
if 'insp' in dir() and 'outsp' in dir():
process(inpath,total,to,outpath,insp,outsp,empty_fill=empty_fill)
elif 'insp' in dir():
process(inpath,total,to,outpath,insp,empty_fill=empty_fill)
elif 'outsp' in dir():
process(inpath,total,to,outpath,outsp=outsp,empty_fill=empty_fill)
else:
process(inpath,total,to,outpath,empty_fill=empty_fill)
if __name__ =="__main__":
main()
使用说明:
功能:可指定输入分隔,输出分隔,无配置字段填充,某列默认值
可按顺序填充,也可乱序映射填充
输入:输入文件路径
选项:
-i “path” | 必设 | 输入文件路径 |
-t n | 必设 | 目标数据表总列数 |
-a “r1,r2” | 必设 | 将要填充的列号列表,可配置默认值,可配置映射 |
-o “path” | 可选 | 输出文件路径,默认为 输入文件路径.dist |
-F “IFS” | 可选 | 输入文件中字段域分隔符,默认\t |
-P ”OFS” | 可选 | 输出文件中字段域分隔符,默认\t |
-f “” | 可选 | 指定未配置列的填充内容,默认为空 |
-h | 单独 | 查看帮助信息 |
列填充的配置示例:
普通用法【最常用】
命令:./dataformat.py –i in_file –t 65 -a “22,39,63” –F “^I” –P “^A” –f “0”
说明:
- in_file中字段是以\t分隔的[可不配-F,使用默认]。
- 将in_file的第1,2,3列分别填充到in_file.dist[use default]的第22,39,63列
- in_file.dist共65列,以^A分隔,未配置列以0填充
- -a中顺序与源文件列序有关,若-a “39,22,63” 则是将第1列填充到第39列,第二列填充到22列,第3列填充到63列
列默认值用法:【需要对某些列填充相同的值,但不想在源文件中维护】
命令: ./dataformat.py -i in_file –t 30 –a “3=tag_1,9,7,12=0.0” –o out_file
说明:
- in_file以\t分隔,输出out_file以\t分隔
- 将in_file的第1列,第2列填充到out_file的第9列,第7列
- out_file共30列,第3列均用字符串”tag_1”填充,第12列用0.0填充,其他未配置列为空
- 注意:默认值 的取值,若是使用到等号和冒号,需转义,加 \= \:
列列乱序映射:
命令:./dataformat.py –i in_file –t 56 –a “3:2,9,5:3,1=abc,11”
说明:
- 分隔,输入,输出,同上…..
- 冒号前面为输出文件列号,后面为输入文件列号
- 目标文件第3列用输入文件第2列填充,目标文件第5列用输入文件第3列填充
- 目标文件第一列均填充“abc”
- 目标文件第9列用输入文件第1列填充,第11列用输入文件第4列填充【未配置映射,使用从头开始还没有被用过的列】
- 脚本会对简单的字段数量等映射逻辑进行检测,复杂最好全配上,使用默认太抽象
Meet so Meet. C plusplus I-PLUS....