はじめに

Embulkというのをつい先日まで知らなかったのですが、
簡単にいうと「色々な所のデータを、バッチで、変換→Importするフレームワーク」みたいなものかな、と思います。

色々Pluginを作ることができて既にたくさんあるのですが、ちょっと変則的なApacheのAccessLogをBigQueryにImportしようとしたときに良いParserが無かった（わからなかった）ので、正規表現で文字列を1行ずつParseするものを作ってみました。

Version

Embulk 0.7.4

で動作確認しています。

使い方

install

embulk gem install embulk-parser-regex

guess

一応 ApacheのAccessLogの common/combined/combinedio は guessで作れます。
とりあえず、それを雛形に独自の項目を追加すると良いと思います。
例えば、

config.yml

in:
  type: file
  path_prefix: /path/to/data/access_log.
  parser:
    charset: UTF-8
    newline: LF
out:
  type: stdout

という config.ymlに対して以下を実行します。

embulk guess -g regex config.yml -o guessed.yml

すると、 guessed.yml が生成されるので、

embulk preview guessed.yml

とすれば、上手く言っていればParseされた内容が表示されていると思います。

設定項目

YAMLの parser 配下に設定を書きます。

type

type は regex と指定します

regex

行をParseするときに使う正規表現です。
Named Capturing Groupというやつで書く必要があります。
例えば、 (?<name>\S+) というような ?<name> を付けるということです。
で、この nameですが、 [a-zA-Z0-9]という文字しか使えないので注意してください（ _とか使えない)。

columns

他のPluginと同じように column の定義を書きます。参考

本Pluginの特別な属性として以下のものがあります。

regex_name: Named Capturing Group で使われている名前を指定します（省略時は name属性が使われます）。nameに _ などがある場合はそのまま正規表現のグループ名に使えないので、ここで指定します。

skip_if_unmatch

regexで指定した正規表現にマッチしなかったときに、

true ならば、例外をthrowします
false ならば、その行をSkipします

デフォルトは false です。

設定例

config.yml

in:
  type: any file input plugin type
  parser:
    type: regex
    charset: UTF-8
    newline: LF
    regex: ^(?<remoteHost>[.:0-9]+) (?<identity>\S+) (?<user>\S+) \[(?<datetime>[^\]]*)\] "((?<method>\S+) (?<path>\S+) (?<protocol>HTTP/\d+\.\d+)|-)" (?<status>[0-9]+) (?<size>[0-9]+|-) "(?<referer>[^"]*)" "(?<userAgent>[^"]*)" (?<inByte>[0-9]+) (?<outByte>[0-9]+)$
    columns:
    - {name: remote_host, type: string, regex_name: remoteHost}
    - {name: identity, type: string}
    - {name: user, type: string}
    - {name: datetime, type: timestamp, format: '%d/%b/%Y:%H:%M:%S %z'}
    - {name: method, type: string}
    - {name: path, type: string}
    - {name: protocol, type: string}
    - {name: status, type: long}
    - {name: size, type: long}
    - {name: referer, type: string}
    - {name: user_agent, type: string, regex_name: userAgent}
    - {name: in_byte, type: long, regex_name: inByte}
    - {name: out_byte, type: long, regex_name: outByte}
out:
  type: stdout

source

https://github.com/mokemokechicken/embulk-parser-regex

以下のソースコードからかなりコピペしました。。

さいごに

Java で Embulk Output Plugin を書くなどを参考にしながらそれほどハマることなく作れました。すごい。

Pluginとか作るときはJavaは便利だなーと思います。
IDEAなどのIDEでIntellisenseをフル活用しながら、なんとなく書けちゃいますからね。

embulk-parser-regex: 正規表現で行をparseするParser Plugin