如何读取.doc或.docx文件

Question

如何使用map pig

使用Apache pig Latin编程读取.doc文件

---

A = load'./pig/test.docx';

B = foreach A生成flatten（TextLoader（（chararray）$ 0））为word;

C =字组B;

D = foreach C生成COUNT（B），组;

将D存储到'./wordcountone';

---

Answer 1

您需要为pig脚本创建自定义加载函数。 首先从使用java的简单.doc或.docx解析开始，这里有一些示例：How read Doc or Docx file in java?但我相信你会在google上找到更多。

一旦您知道如何从Word文档中获取数据，就需要实现pig函数。

可以找到自定义猪装载程序（步骤）的示例here