如何在 USQL 中定义多个输入文件模式？

Question

我有需要处理一些数据的 U-SQL 脚本。数据存储在 blob 中，每天在此文件夹结构中存储约 100 个文件：/{year}/{month}/{day}/{hour}/filenames.tsv

获取一天的数据很容易，只需在最后放一个通配符，它​​就会挑选出当天所有时间的所有文件。

但是，在我的脚本中，我想读出当天和前一天的最后 2 小时。天真的方法是用这种方式提取 3 个语句：

DECLARE @input1 = @"/data/2017/10/08/22/{*}.tsv";
DECLARE @input2 = @"/data/2017/10/08/23/{*}.tsv";
DECLARE @input3 = @"/data/2017/10/09/{*}.tsv";

@x1 = EXTRACT .... FROM @input1 USING Extractors.Tsv();
@x2 = EXTRACT .... FROM @input2 USING Extractors.Tsv();
@x3 = EXTRACT .... FROM @input3 USING Extractors.Tsv();

但在我的情况下，使用 AvroExtractor 的每个提取行都非常长且复杂（约 50 列），因此我更愿意只指定列和提取器一次而不是 3 次。此外，调用方无法通过 3 个输入来决定应该读取前几天的小时数。

我的问题是如何以一种方便的方式定义它，最好只使用一个提取语句？

Answer 1

您可以将您的逻辑包装到一个 U-SQL 存储过程中，以便对其进行封装。然后你只需要对 proc 进行几次调用。一个简单的例子：

CREATE PROCEDURE IF NOT EXISTS main.getContent(@inputPath string, @outputPath string)
AS
BEGIN;

    @output =
        EXTRACT 
         ...
        FROM @inputPath
        USING Extractors.Tsv();


    OUTPUT @output
    TO @outputPath
    USING Outputters.Tsv();

END;

然后调用它（未经测试）：

main.getContent (
    @"/data/2017/10/08/22/{*}.tsv",
    @"/output/output1.tsv"
    )

main.getContent (
    @"/data/2017/10/08/23/{*}.tsv",
    @"/output/output2.tsv"
    )

main.getContent (
    @"/data/2017/10/09/{*}.tsv",
    @"/output/output3.tsv"
    )

这可能是解决问题的一种方法？