Pig 10.0 - 将元组分组并在 foreach 中合并包答案

【问题标题】：Pig 10.0 - group the tuples and merge bags in a foreachPig 10.0 - 将元组分组并在 foreach 中合并包
【发布时间】：2013-03-27 14:07:13
【问题描述】：

我正在使用Pig 10.0。我想在 foreach 中合并包。假设我有以下visitors 别名：

(a, b, {1, 2, 3, 4}),
(a, d, {1, 3, 6}),
(a, e, {7}),
(z, b, {1, 2, 3})

我想对第一个字段上的元组进行分组，并将包与一组语义合并以获得以下元组：

({1, 2, 3, 4, 6, 7}, a, 6) 
({1, 2, 3}, z, 3)

第一个字段是具有集合语义的包的并集。元组的第二个字段是组字段。第三个字段是袋子里的物品数量。

我围绕以下代码尝试了几种变体（将 SetUnion 替换为 Group/Distinct 等），但始终未能实现所需的行为：

DEFINE SetUnion        datafu.pig.bags.sets.SetUnion();

grouped = GROUP visitors by (FirstField);
merged = FOREACH grouped {
    VU = SetUnion(visitors.ThirdField);
    GENERATE 
        VU        as Vu,
        group     as FirstField,
        COUNT(VU) as Cnt;
    }
dump merged;

您能解释一下我错在哪里以及如何实现所需的行为吗？

【问题讨论】：

标签： hadoop apache-pig

【解决方案1】：

我终于设法实现了想要的行为。我的解决方案的一个独立示例如下：

数据文件：

a       b       1
a       b       2
a       b       3
a       b       4
a       d       1
a       b       3
a       b       6
a       e       7
z       b       1
z       b       2
z       b       3

代码：

-- Prepare data
in = LOAD 'data' USING PigStorage() 
        AS (One:chararray, Two:chararray, Id:long);

grp = GROUP in by (One, Two);
cnt = FOREACH grp {
        ids = DISTINCT in.Id;
        GENERATE
                ids        as Ids,
                group.One  as One,
                group.Two  as Two,
                COUNT(ids) as Count;
}       

-- Interesting code follows
grp2 = GROUP cnt by One;
cnt2 = FOREACH grp2 {
        ids = FOREACH cnt.Ids generate FLATTEN($0);
        GENERATE
                ids  as Ids,
                group      as One,
                COUNT(ids) as Count;
}               

describe cnt2;
dump grp2;
dump cnt2;

描述：

Cnt: {Ids: {(Id: long)},One: chararray,Two: chararray,Count: long}

grp2：

(a,{({(1),(2),(3),(4),(6)},a,b,5),({(1)},a,d,1),({(7)},a,e,1)})
(z,{({(1),(2),(3)},z,b,3)})

cnt2:

({(1),(2),(3),(4),(6),(1),(7)},a,7)
({(1),(2),(3)},z,3)

由于代码使用嵌套在 FOREACH 中的 FOREACH，因此需要 Pig > 10.0。

由于可能存在更清洁的解决方案，因此我会让这个问题几天未解决。

【讨论】：

【解决方案2】：

为此找到了一个更简单的解决方案。

current_input = load '/idn/home/ksing143/tuple_related_data/tough_grouping.txt' 使用 PigStorage() AS (col1:chararray, col2:chararray, col3:int);

/* 但我们不需要第 2 列。因此消除以避免混淆 */

relevant_input = foreach current_input 生成 col1, col3;

relevant_distinct = DISTINCT 相关输入；

relevant_grouped = 按 col1 分组相关的_distinct；

/* 这会给 */

(a,{(a,1),(a,2),(a,3),(a,4),(a,6),(a,7)})

(z,{(z,1),(z,2),(z,3)})

relevant_grouped_advance = foreach related_grouped generate (relevant_distinct.col3) as col3, group, COUNT(relevant_distinct.col3) as count_val;

/* 这会得到想要的结果 */

({(1),(2),(3),(4),(6),(7)},a,6)

({(1),(2),(3)},z,3)

【讨论】：