用Apache Pig进行数据处理的时候，我们通常会在最后把处理结果保存到一个HDFS目录下：

STORE result INTO '/my_output_dir';

这是最常见的情况。
但是，如果我们想根据某个字段，把数据分成多组，分别存储在多个目录下呢？举个可能不恰当的例子，就有点像我们先把数据按某个字段分组：

GROUP data BY field;

再把各个group的数据分别存储在不同的目录下一样。

现在来看一个实例。
假设有如下数据（用 tab 分隔的四列分别为：人员类型的id，人员类型的描述，姓名，爱好）：

文章来源：https://www.codelast.com/
现在我们想按第1列 type，把这份数据处理之后分别存储到不同的目录下，即 type 2（学生）的数据保存到目录"2"里，type 3（老师）的数据保存到目录"3"里，依此类推。
一个最简单也最笨的方法是： 在Pig中把数据 SPLIT(拆分) 成多份，再分别 STORE(存储) 到指定的目录下：

A = LOAD '1.txt' AS (type: int, desc: chararray, name: chararray, hobby: chararray);
SPLIT A INTO A1 IF (type == 1), A2 IF (type == 2), A3 IF (type == 3);

STORE A1 INTO '/my_output_dir/1';
STORE A2 INTO '/my_output_dir/2';
STORE A3 INTO '/my_output_dir/3';

代码很直观，但当 type 有太多种数值的时候，比如说type有100种数值，难道你打算写100个 STORE 语句吗？会疯。
文章来源：https://www.codelast.com/
更好的办法是利用piggybank里的一个UDF MultiStorage来实现同样的功能：

A = LOAD '1.txt' AS (type: int, desc: chararray, name: chararray, hobby: chararray);
STORE A INTO '/my_output_dir' USING org.apache.pig.piggybank.storage.MultiStorage('/my_output_dir', '0', 'none', '\t', 'true');

看，只要一行代码就代替了无数的 SPLIT INTO 以及 STORE INTO 语句，多么优雅。
MultiStorage的参数含义分别是：

public MultiStorage(String parentPathStr, String splitFieldIndex, String compression, String fieldDel, String isRemoveKeys)

parentPathStr：输出文件的父目录。事实上这个参数不起作用，真正起作用的输出路径是在 "INTO" 关键字后面的那个路径里指定的，但开发团队为了向前兼容，保留了这个参数，因此，把这个参数里的路径，设置成和 "INTO" 后面的路径一样即可。
splitFieldIndex：使用数据里的第几个字段来拆分数据存储到不同的子目录下（从0开始）。我这里设置成0，是表示我使用数据里的 type 字段来拆分数据。
compression：输出数据的压缩方式，可以是 'bz2'，'bz'，'gz'，'none'这几种取值，其中 none 表示无压缩。
fieldDel：输出数据多个字段的分隔符。
isRemoveKeys：输出数据是否移除掉用于拆分数据的字段。我这里设置成 true 表示在输出数据中不会包含 type，因为我只想拿 type 用作输出子目录名，不想让它出现在输出数据中。
文章来源：https://www.codelast.com/
最后我们看一下执行结果。生成了3个目录，每个 type 一个目录：

/my_output_dir/1
/my_output_dir/2
/my_output_dir/3
/my_output_dir/_SUCCESS

再来看一下子目录"1"里的文件：

/my_output_dir/1/1-0,000

其文件内容是：

保安    许勤    下棋
保安    涂欣    看书

这里面全是 type 1 的数据。可见 MultiStorage 确实把数据按照 type 拆分并存储在了不同的子目录下。

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

以及我的微信视频号：