Hadoop Pig UDF 调用问题

Question

下面的代码工作得很好，但是当我已经有两个现有的袋子时(用它们的别名，假设 S1 和 S2 代表两个现有的两个袋子)，想知道如何调用 UDF setDifference 来生成集合差异？我认为如果我使用我已经存在的输入包(S1 和 S2)手动构造一个额外的包，会产生额外的开销吗？

register datafu-1.2.0.jar;
define setDifference datafu.pig.sets.SetDifference();

-- ({(3),(4),(1),(2),(7),(5),(6)} \t {(1),(3),(5),(12)})
A = load 'input.txt' AS (B1:bag{T:tuple(val:int)},B2:bag{T:tuple(val:int)});

F1 = foreach A generate B1;
F2 = foreach A generate B2;

differenced = FOREACH A {
  -- input bags must be sorted
  sorted_b1 = ORDER B1 by val;
  sorted_b2 = ORDER B2 by val;
  GENERATE setDifference(sorted_b1,sorted_b2);
}

-- produces: ({(2),(4),(6),(7)})
DUMP differenced;

更新:

问题是，假设我已经有两个包，如何调用UDF setDifference 来获取集合差异？我是否需要构建另一个包含两个独立袋子的 super 袋子？谢谢。

提前致谢，林

Answer 1

我没有看到 UDF 调用有任何开销问题。

引用:http://datafu.incubator.apache.org/docs/datafu/guide/set-operations.html , 我们有一个使用 SetDifference 方法的例子。

根据 API ( http://datafu.incubator.apache.org/docs/datafu/1.2.0/datafu/pig/sets/SetDifference.html ) SetDifference 方法将袋子作为输入并发出它们之间的差异。

注意请注意，必须对输入袋进行分类。

在共享的示例片段中，我看不到下面代码片段的必要性

F1 = foreach A generate B1;
F2 = foreach A generate B2;