java - Pig latin 中扁平运算符的模式

Question

我最近在工作中遇到了这个问题，是关于pig flatten的。我用一个简单的例子来表达它

两个文件
===文件1===
1_a
2_b
4_d

===file2(制表符分隔)===
1个
2乙
3c

pig 脚本1:

a = load 'file1' as (str:chararray);
b = load 'file2' as (num:int, ch:chararray);
a1 = foreach a generate flatten(STRSPLIT(str,'_',2)) as (num:int, ch:chararray);
c = join a1 by num, b by num;
dump c;   -- exception java.lang.String cannot be cast to java.lang.Integer

pig 脚本2:

a = load 'file1' as (str:chararray);
b = load 'file2' as (num:int, ch:chararray);
a1 = foreach a generate flatten(STRSPLIT(str,'_',2)) as (num:int, ch:chararray);
a2 = foreach a1 generate (int)num as num, ch as ch;
c = join a2 by num, b by num;
dump c;   -- exception java.lang.String cannot be cast to java.lang.Integer

pig 脚本3:

a = load 'file1' as (str:chararray);
b = load 'file2' as (num:int, ch:chararray);
a1 = foreach a generate flatten(STRSPLIT(str,'_',2));
a2 = foreach a1 generate (int)$0 as num, $1 as ch;
c = join a2 by num, b by num;
dump c;   -- right

我不知道为什么脚本1,2错误而脚本3正确，我也想知道是否有更简洁的表达式来获得关系c，谢谢。

Answer 1

您没有使用 PigStorage 有什么特别的原因吗？因为它可以让您的生活变得更轻松 :)。

a = load '/file1' USING PigStorage('_') AS (num:int, char:chararray);
b = load '/file2' USING PigStorage('\t') AS (num:int, char:chararray);
c = join a by num, b by num;
dump c;

另请注意，在 file1 中，您使用下划线作为分隔符，但您将“-”作为 STRSPLIT 的参数。

编辑:我在你提供的脚本上花了更多时间；脚本 1 和 2 确实不起作用，脚本 3 也像这样工作(没有额外的 foreach):

a = load 'file1' as (str:chararry);
b = load 'file2' as (num:int, ch:chararry);
a1 = foreach a generate flatten(STRSPLIT(str,'_',2));
c = join a1 by (int)($0), b by num;
dump c;

至于问题的根源，我会大胆猜测并说它可能与此(as stated in Pig Documentation)结合 pig 的运行周期优化有关:

If you FLATTEN a bag with empty inner schema, the schema for the resulting relation is null.

在您的情况下，我相信 STRSPLIT 结果的架构在运行时之前是未知的。

编辑2:好的，这是我的理论解释:

This is the complete -explain- output for script 2和 this is for script 3 .我将把有趣的部分粘贴在这里。

|---a2: (Name: LOForEach Schema: num#288:int,ch#289:chararray)
|   |   |
|   |   (Name: LOGenerate[false,false] Schema: num#288:int,ch#289:chararray)ColumnPrune:InputUids=[288, 289]ColumnPrune:OutputUids=[288, 289]
|   |   |   |
|   |   |   (Name: Cast Type: int Uid: 288)
|   |   |   |
|   |   |   |---num:(Name: Project Type: int Uid: 288 Input: 0 Column: (*))

以上部分用于脚本 2；看最后一行。它假定 flatten(STRSPLIT) 的输出将具有 integer 类型的第一个元素(因为您以这种方式提供了架构)。但实际上 STRSPLIT 有一个 null 输出模式，它被视为 bytearray 字段；所以 flatten(STRSPLIT) 的输出实际上是 (n:bytearray, c:bytearray)。因为您提供了模式，pig 尝试将 java 转换(到 a1 的输出)到 num 字段；失败，因为 num 实际上是一个 java String 表示为 bytearray。由于此 java-cast 失败，pig 甚至没有尝试在上面的行中进行显式转换。

让我们看看脚本 3 的情况:

|---a2: (Name: LOForEach Schema: num#85:int,ch#87:bytearray)
|   |   |
|   |   (Name: LOGenerate[false,false] Schema: num#85:int,ch#87:bytearray)ColumnPrune:InputUids=[]ColumnPrune:OutputUids=[85, 87]
|   |   |   |
|   |   |   (Name: Cast Type: int Uid: 85)
|   |   |   |
|   |   |   |---(Name: Project Type: bytearray Uid: 85 Input: 0 Column: (*))

请看最后一行，此处 a1 的输出被正确处理为 bytearray，这里没有问题。现在看看倒数第二行； pig 尝试(并成功)进行从 bytearray 到 integer 的显式转换操作。