这个解析不好弄，其实可以换一种思路，把所有的表名全查出来，然后在按表名生成导出脚本，生成的文件就一个表一个了。
shell样例如下，仅供参考，请在自己测试环境下测试。脚本可以包装在一个大的shell里面一起执行。
一、生成所有的表名
二、生成导出单个表数据的脚本
三、执行mysql_dump_sig.sh脚本，既可以导出一个个表到单独的每个文件里面。
MySQL和HDFS是两种用于不同目的的数据存储和管理系统，它们在数据存储方式、数据处理方式以及数据可靠性等方面都有不同。
数据存储方式：MySQL是一种关系型数据库，用于存储结构化数据，可以将数据以表格的形式存储，并且每个表格之间的关系可以通过主键和外键建立。而HDFS是一种分布式文件系统，被广泛用于存储大量的半结构化和非结构化数据。它将数据分散存储在多个节点上，这些节点可以位于不同的机器或服务器上。
数据处理方式：MySQL支持使用SQL语言进行数据的查询、插入、更新和删除等操作，非常适合处理结构化数据和中小规模的数据。而HDFS则是为处理大数据而设计的，通过MapReduce算法将大数据集分解为多个小数据块，然后分发给不同的节点进行处理。这使得它非常适合处理大规模的半结构化和非结构化数据。
数据可靠性：MySQL具有完整性和可靠性，遵循ACID（原子性、一致性、隔离性和持久性）规则，这意味着它可以确保数据的完整性和一致性，即使在系统故障的情况下也能保持数据的可靠性。而HDFS也具有高可靠性和高可扩展性，它通过在多个节点上存储数据的多个副本，来保护数据的可靠性和容错性。
数据规模和处理速度：MySQL一般是用于处理小到中等规模的数据，对于大规模数据的处理速度可能无法满足需要。而HDFS则是专为大数据处理设计的，可以处理PB级别及以上的数据，对于大规模数据的处理速度较快。
适用场景：MySQL是关系型数据库，广泛应用于Web应用程序和各种软件系统中。它支持多种数据类型，如整数、字符串、日期、时间、货币等，使用SQL语言进行操作，因此对于需要使用关系型数据库的场景（例如电商网站、社交网站等），MySQL是一个非常好的选择。而HDFS则被广泛应用于大数据分析和处理领域，例如Hadoop生态圈中的各种数据处理技术，如MapReduce和Hive等都可以使用HDFS进行数据存储。对于需要进行大数据处理的场景（例如金融风控、市场分析等），HDFS是一个很好的选择。
总的来说，MySQL和HDFS都有其独特的优点和适用场景。MySQL适合处理结构化数据、中小规模数据以及需要使用关系型数据库的场景；而HDFS则更适合处理大规模的半结构化和非结构化数据、大数据场景以及需要进行分布式存储和处理的场景。在选择使用哪种存储方式时，需要根据实际需求和场景来决定。