Java版のembulk-parser-jsonlを使ってみた。

はじめに

embulk-parser-jsonlの0.1.0がリリースされたので、使ってみました。
(私はプラグインの作者ではないので、詳細はembulk-parser-jsonlをみてください)

0.1.0では、全面的にJavaに書き直されてjson型がサポートされるなどより便利になったようです。

使ったプラグインのバージョンは0.1.0です。

jsonlプラグイン

Embulkのjsonlパーサープラグインは、1行1JSON形式のデータを読み取って要素内のデータをカラムとして抽出するプラグインです。
文字列全体をJSON形式にする場合は、組み込みプラグインのjsonパーサープラグインを利用します。

テストに使ったデータ

{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}
{ "column1":"bbb","column2":"2015/01/01","column3":12345,"column5":true,"column6":1234.567, "column7":[1,2,3] , "column8":{"subcol":"val1"}}

guess

jsonlはguess機能が使えます。guess時に`-g jsonlを指定します。

embulk guess -g jsonl test.yml

上記のデータをguessすると次のような設定が出力されます。

in:
  path_prefix: test.json
  type: file
  parser:
    type: jsonl
    charset: UTF-8
    newline: CRLF
    columns:
    - {name: column1, type: string}
    - {name: column2, type: timestamp, format: '%Y/%m/%d'}
    - {name: column3, type: long}
    - {name: column5, type: boolean}
    - {name: column6, type: double}
    - {name: column7, type: json}
    - {name: column8, type: json}
out: {type: stdout}

カラムの定義は、columnsで設定します。(以前のバージョンではschemasとなっていましたがこれは非推奨の設定となったようです。)

• stringだけでなく、float, long, booleanなどもちゃんと認識されます。
• 時刻形式の場合は、timestamp型として認識されます。
• ネストされた、配列やハッシュはjson型として認識されます。

時刻の取り扱い

時刻のフォーマットは組み込みのCSVパーサーと同様にtype: timestampと記載したカラムでformatを指定します。
(追記: 以前のバージョンでは、time_formatとなっていました。が現在は利用できないようです。)

また、上記のままだと、2016/02/01という値は、UTCの日付として取り扱われます。
日本時間だと思っていると9時間ずれてしまいます。
時刻を日本時間として取り扱いたい場合は次のように、default_timezoneを指定します。(これもCSVパーサープラグインと一緒です)

in:
  path_prefix: test.json
  type: file
  parser:
    default_timezone: "Asia/Tokyo" # <-- これ
    type: jsonl
    charset: UTF-8
    newline: CRLF
    columns:
    - {name: column1, type: string}
    - {name: column2, type: timestamp, format: '%Y/%m/%d'}
    - {name: column3, type: long}
    - {name: column5, type: boolean}
    - {name: column6, type: double}
    - {name: column7, type: json}
    - {name: column8, type: json}
out: {type: stdout}

実行結果

bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}
bbb,2015/01/01,12345,true,1234.567,[1,2,3],{"subcol":"val1"}

参考

• embulk-parser-jsonlをリリースしました！