博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Pig 实现关键词匹配
阅读量:6915 次
发布时间:2019-06-27

本文共 4959 字,大约阅读时间需要 16 分钟。

1. 问题描述

收集日志avro数据中有两个Map字段appInstallappUse分别表示已安装的app、正在使用的app,且key值为app的名称,value值为app使用信息。现在要得到一份匹配上购物类app支付宝|京东|淘宝|天猫的用户名单;MapReduce 解决办法如下:

public static class M extends Mapper
{ Text text = new Text(); @SuppressWarnings("unchecked") @Override protected void map(String key, Pair value, Context context) throws IOException, InterruptedException { Map data = value.fields.data; String dvc = data.get("dvc").toString(); Map
appInstall = (Map
) data.get("appInstall"); Map
appUse = (Map
) data.get("appUse"); for(String app: appInstall.keySet()) { if(app.matches("支付宝|京东|淘宝|天猫")) { text.set(appInstall.keySet().toString()); context.write(dvc, text); return; } } for(String app: appUse.keySet()) { if(app.matches("支付宝|京东|淘宝|天猫")) { text.set(appUse.keySet().toString()); context.write(dvc, text); return; } } }}

但是,如果要匹配游戏类的app、金融类的app类呢?如果匹配关键词发生了变化呢?显然,我们应该将匹配关键词开放成API,可以自由地匹配正则表达式。这时,pig派上了用场。

2. Bag正则匹配

A = load '/
/
' using org.apache.pig.piggybank.storage.avro.AvroStorage();-- A: {key: chararray,value: (fields: (data: map[]))}B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];-- B: {dvc: bytearray,ins: map[],use: map[]}C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;-- C: {dvc: bytearray,insk: {(chararray)},usek: {(chararray)}}

在上述代码中,load 数据转换得到bag类型的app-set(inskusek);但是,应如何遍历bag中的tuple与正则表达式做匹配呢?答案是UDF。

提供了丰富的UDF,其中关于bags的UDF可以参看。 提供根据index从bag提取tuple,支持三个输入参数。依葫芦画瓢,遍历bag匹配正则表达式的UDF如下:

package com.pig.udf.bag;/** * This UDF will return true if one tuple from a bag matches regex. *  *  There are two input parameter: *      1. DataBag *      2. Regex String */public class BagMatchRegex extends FilterFunc {    @Override    public Boolean exec(Tuple tinput) throws IOException {        try{            DataBag samples = (DataBag) tinput.get(0);            String regex = (String) tinput.get(1);            for (Tuple tuple : samples) {                if(((String) tuple.get(0)).matches(regex)){                    return true;                }            }        }        catch (Exception e) {            return false;        }        return false;    }}

其中,FilterFunc为过滤UDF的基类,继承于EvalFunc<Boolean>,即exec(Tuple tinput)的返回值必为Boolean类型。bag正则匹配的pig脚本如下:

REGISTER ../piglib/udf-0.0.1-SNAPSHOT-jar-with-dependencies.jardefine BagMatchRegex com.pig.udf.bag.BagMatchRegex();A = load '/user/../current/*.avro' using org.apache.pig.piggybank.storage.avro.AvroStorage();B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;D = filter C by BagMatchRegex(insk, '支付宝|京东|淘宝|天猫') or BagMatchRegex(usek, '支付宝|京东|淘宝|天猫');

3. 优化

还有没有可以做优化的地方呢?我们先来看看pig中的实现:

package org.apache.pig.builtin;public class KEYSET extends EvalFunc
{ private static final TupleFactory TUPLE_FACTORY = TupleFactory.getInstance(); @SuppressWarnings("unchecked") @Override public DataBag exec(Tuple input) throws IOException { if(input == null || input.size() == 0) { return null; } Map
m = null; // Input must be of type Map. This is verified at compile time m = (Map
)(input.get(0)); if(m == null) { return null; } DataBag bag = new NonSpillableDataBag(m.size()); for (String s : m.keySet()) { Tuple t = TUPLE_FACTORY.newTuple(s); bag.add(t); } return bag; } ...}

需要指出的一点——pig的map数据类型是由Java类Map<String, Object>实现的。从KEYSET源码中可以看出在调用时已经将map遍历了一次,然后在调用BagMatchRegex时又需要将key-set的bag再遍历一次。其实,完全可以只用一次遍历做map-key值的正则匹配:

package com.pig.udf.map;/** * This UDF will return true if map's key matches regex. *  *  There are two input parameter: *      1. Map *      2. Regex String */public class KeyMatchRegex extends FilterFunc {        @SuppressWarnings("unchecked")    @Override    public Boolean exec(Tuple input) throws IOException    {        try{            Map
m = null; // Input must be of type Map. This is verified at compile time m = (Map
)(input.get(0)); String regex = (String) input.get(1); for (String key : m.keySet()) { if(key.matches(regex)){ return true; } } } catch (Exception e) { return false; } return false; }}

转载于:https://www.cnblogs.com/en-heng/p/5129453.html

你可能感兴趣的文章
一个例子告诉你什么是CLR(JVM同理),以及版本兼容
查看>>
文章记录
查看>>
springAop
查看>>
AJAX入门学习-1:理解ajax
查看>>
ESXi中的虚拟机如何使用U盘
查看>>
把别人的Tcl/Tk代码加入到Go语言里13 游戏6 消除方块
查看>>
${pageContext.request.contextPath} 无效
查看>>
ECMAScript 6 promises(下):谈谈 API(二)
查看>>
C++ bind函数适配器
查看>>
机遇和抉择
查看>>
欧洲现在很流行拥抱开源
查看>>
网站非法信息监测、处理
查看>>
CPU-Z使用详解--硬件属性检测工具
查看>>
php如何处理html5表单<input type="file" multiple />提交的多个文
查看>>
Qt控件美化
查看>>
static_cast强制类型转换
查看>>
scrapy学习(一)
查看>>
storm的开发环境部署配置教程
查看>>
(转)Linux下Git入门基础
查看>>
了解DataTables
查看>>