DataX系列3-TxtFileReader介绍
一.快速介绍
实际生产中，鉴于数据安全、不同够公司数据交互等原因，很多时候会使用txt、csv等文件格式来交互数据。
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。
二. 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：
-
支持且仅支持读取TXT的文件，且要求TXT中shema为一张二维表。
-
支持类CSV格式文件，自定义分隔符。
-
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
-
支持递归读取、支持文件名过滤。
-
支持文本压缩，现有压缩格式为zip、gzip、bzip2。
-
多个File可以支持并发读取。
我们暂时不能做到：
-
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。
-
单个File在压缩情况下，从技术上无法支持多线程并发读取。
三. 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
3.2.1 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
3.2.2 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
3.2.3 fieldDelimiter
描述：读取的字段分隔符
必选：是
默认值：,
3.2.4 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
3.2.5 encoding
描述：读取文件的编码配置。
必选：否
默认值：utf-8
3.2.6 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
3.2.7 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
3.2.8 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：
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。
