Apache Pig 过滤元组中的空值或文字答案

【问题标题】：Apache Pig filtering null values or literals in tupleApache Pig 过滤元组中的空值或文字
【发布时间】：2026-01-31 05:25:02
【问题描述】：

我编写了下面的 Pig UDF 来测试 chararray 列是否具有有效的 'yyyy-MM-dd' 日期格式。但是在使用下面的脚本进行测试时，我收到了以下错误。数据是否有任何问题，因为我正在处理空元组以考虑数据中的 NULL 值以及不存在的值。另外，我应该删除数据文件中的空行吗？

Caused by: org.apache.pig.backend.executionengine.ExecException: ERROR 2114: Expected input to be chararray, but got NULL
        at IsValidDateTime.exec(IsValidDateTime.java:41)
        at IsValidDateTime.exec(IsValidDateTime.java:18)

日期.txt

2019-12-27,2020-08-20
2017-05-09,2018-10-04
2016-09-25,2020-01-19
,2020-08-20
NULL,2017-09-28
2016-11-15,NULL
2018-04-17,Thu Aug-20 2020
2017-05-09,2020-08-20
Mon Jan-20 2020,2020-08-20
<empty line>
------------------------------------------

dates_valid（预期所有有效的 'yyyy-MM-dd' start_dt 和 end_dt）

2019-12-27,2020-08-20
2017-05-09,2018-10-04
2016-09-25,2020-01-19
2017-05-09,2020-08-20

猪脚本

REGISTER 'IsValidDateTime.jar'

DEFINE IsValidDateTime IsValidDateTime();

dates = LOAD 'dates.txt' USING PigStorage(',') AS (start_dt:chararray, end_dt:chararray);
DUMP dates;
dates_valid = FILTER dates BY (IsValidDateTime(start_dt) AND IsValidDateTime(end_dt));
DUMP dates_valid;

IsValidDateTime 过滤器 UDF

import org.apache.pig.FilterFunc;
import org.apache.pig.PigException;
import org.apache.pig.backend.executionengine.ExecException;
import org.apache.pig.data.DataType;
import org.apache.pig.data.Tuple;

import java.io.IOException;
import java.text.ParseException;
import java.text.SimpleDateFormat;
public class IsValidDateTime extends FilterFunc {
    private static String datePattern = "yyyy-MM-dd";
    public Boolean exec(Tuple input) throws IOException {
        if (input == null || input.size() == 0)
            return false;
        try {
            Object date = input.get(0);
            if(DataType.findType(date) == DataType.CHARARRAY){
                String dateStr = String.valueOf(date);
                if(dateStr != null && dateStr.length() != 0) {
                    try {
                        SimpleDateFormat format = new SimpleDateFormat(datePattern);
                        format.setLenient(false);
                        format.parse(dateStr);
                    } catch (ParseException | IllegalArgumentException e) {
                        return false; //date string does not match 'yyyy-MM-dd' format
                    }
                    return true; //date string is of valid format 'yyyy-MM-dd'
                }
                return false; //empty or null date string
            } else {
                int errCode = 2114;
                String msg = "Expected input to be chararray, but got " +  DataType.findTypeName(date) ;
                throw new ExecException(msg, errCode, PigException.BUG);
            }
        } catch(ExecException ee) {
            throw ee;
        }
    }
}

【问题讨论】：

udf 没有按预期工作吗？它抛出用错误代码 2114 定义的错误，因为它在输入中收到 NULL 值而不是 chararray。如果收到 NULL 类型，您可以重写 udf 以返回 false，或者在应用 UDF 之前过滤 NULL 值。
@saph_top 我已经添加了if (input == null || input.size() == 0) return false; 来为 null 或空元组返回 false。在 try 块中，我从元组 Object date = input.get(0); 中获取列的值并检查其类型。空值或不存在的值在 Pig 中被视为 NULL，但如果该值是文字 NULL，那么它会是 NULL 类型吗？它应该被认为是 chararray 类型但格式无效。

标签： java hadoop hive apache-pig user-defined-functions

【解决方案1】：

移除了检查 DataType.CHARARRAY 的外部 if 条件，只需将输入 Tuple 中的值转换为 String 并检查是否为 null 或为空。这是唯一需要的条件。下面是最终代码。

import org.apache.pig.FilterFunc;
import org.apache.pig.backend.executionengine.ExecException;
import org.apache.pig.data.Tuple;

import java.io.IOException;
import java.text.ParseException;
import java.text.SimpleDateFormat;

public class IsValidDateTime extends FilterFunc {
    private static String datePattern = "yyyy-MM-dd";
    public Boolean exec(Tuple input) throws IOException {
        try {
            String date = (String)input.get(0);
            if(date != null && date.length() != 0) {
                try {
                    SimpleDateFormat format = new SimpleDateFormat(datePattern);
                    format.setLenient(false);
                    format.parse(date);
                } catch (ParseException | IllegalArgumentException e) {
                    return false; //date string does not match 'yyyy-MM-dd' format
                }
                return true; //date string is of valid format 'yyyy-MM-dd'
            } else {
                return false; //empty or null date string
            }

        } catch(ExecException ee) {
            throw ee;
        }
    }
}

得到预期的输出

(2019-12-27,2020-08-20)
(2017-05-09,2018-10-04)
(2016-09-25,2020-01-19)
(2017-05-09,2020-08-20)

【讨论】：