hadoop - 展平仅返回 char 数组中的第一项

Question

我有以下数据(加载到变量 A 中):

(a1:a2:a3|a4:a5:a6)
(b1:b2:b3)
(c1:c2:c3|c4:c5:c6|c7:c8:c9)

我希望我的最终输出如下:

(a1:a2:a3)
(a4:a5:a6)
(b1:b2:b3)
(c1:c2:c3)
(c4:c5:c6)
(c7:c8:c9)

这是我做的:

B = foreach B generate flatten(STRSPLIT($0, '\\|')) as splitted:chararray;

这将数据转换为:

(a1:a2:a3,a4:a5:a6)
(b1:b2:b3)
(c1:c2:c3,c4:c5:c6,c7:c8:c9)

具有以下结构:

B: {splitted: chararray}

但是，当我尝试将此字符数组展平为单独的元组时，它只会吐出第一项。我尝试了几种不同的方法来获得我想要的输出，但我总是得到第一个项目。以下是我尝试过的几件事:

req_output = foreach B generate flatten(STRSPLIT(splitted, ','));

req_output = foreach B generate flatten(TOBAG(*));

在这两种情况下，我都会得到以下输出:

(a1:a2:a3)
(b1:b2:b3)
(c1:c2:c3)

我不确定为什么会这样。如何将所有项目作为不同的元组获取？我在养 pig 方面没有太多经验，因此不胜感激。

Answer 1

在 relation B 中，您只存储了第一项(即 splitted variable)，这就是出现此问题的原因。你能从关系 B 中删除变量 splitted 吗？

B = foreach B generate flatten(STRSPLIT($0, '\\|')) as splitted:chararray;

到

B = foreach B generate flatten(STRSPLIT($0, '\\|'));

您可以通过多种方式解决此问题。

输入:

a1:a2:a3|a4:a5:a6
b1:b2:b3
c1:c2:c3|c4:c5:c6|c7:c8:c9

选项 1:使用 TOKENIZE

A = LOAD 'input' USING PigStorage() AS(line:chararray);
B = FOREACH A GENERATE FLATTEN(TOKENIZE(line,'\\|'));
DUMP B;

选项 2:使用 STRSPLIT + TOBAG

A = LOAD 'input' USING PigStorage() AS(line:chararray);
B = FOREACH A GENERATE FLATTEN(STRSPLIT(line,'\\|'));
C = FOREACH B GENERATE FLATTEN(TOBAG(*));
DUMP C;

选项 3:使用 STRSPLITTOBAG(仅限 Pig 版本 0.14)

A = LOAD 'input' USING PigStorage() AS(line:chararray);
B = FOREACH A GENERATE FLATTEN(STRSPLITTOBAG(line,'\\|'));
DUMP B;

输出:

(a1:a2:a3)
(a4:a5:a6)
(b1:b2:b3)
(c1:c2:c3)
(c4:c5:c6)
(c7:c8:c9)