如何从复杂的猪数据类型中提取简单的猪数据类型

Posted 2023-04-14

【中文标题】如何从复杂的猪数据类型中提取简单的猪数据类型

【英文标题】：How to pull simple pig data types out of complex pig data types

【发布时间】：2014-04-29 18:54:05

【问题描述】：

我正在尝试使用内置的 BuildBloom 和 Bloom UDF 在 PIG 中编写一个布隆过滤器构建器。调用BuildBloom UDF 的语法是：

define bb BuildBloom('hash_type', 'vector_size', 'false_positive_rate');

向量大小和误报率参数作为 charrarrays 传入。由于我不一定事先知道矢量大小，但在调用 BuildBloom UDF 之前它始终在脚本中可用，我想使用内置的 COUNT UDF 而不是一些硬编码的值。比如：

records = LOAD '$input' using PigStorage();
records = FOREACH records GENERATE 
    (long)     $0 AS value_fld:long, 
    (chararray)$1 AS filter_fld:chararray;
records_fltr = FILTER records by (filter_fld=='$filter_value') AND (value_fld is not null);
records_grp = GROUP records_fltr all;
records_count = FOREACH records_grp GENERATE (chararray) COUNT(records_fltr.value_fld) AS count:chararray;
n = FOREACH records_count GENERATE flatten(count);
define bb BuildBloom('jenkins', n, '$false_positive_rate');

问题是，当我描述n 时，我得到：n: count: chararray。可以预见的是，BuildBloom UDF 调用失败了，因为它得到了一个元组作为输入，它期望一个简单的chararray。我应该如何只提取字符数组（即从COUNT 转换为chararray 的整数返回）并将其分配给n 以用于对BuildBloom(...) 的调用？

编辑：这是我尝试将N::count 传递到BuildBloom(...) UDF 时产生的错误。 describe N 产生：N count: chararray。违规行（第 40 行）为：define bb BuildBloom('jenkins', N::count, '$fpr');

ERROR 1200: <file buildBloomFilter.pig, line 40, column 32>  mismatched input 'N::count' expecting set null

org.apache.pig.impl.logicalLayer.FrontendException: ERROR 1000: Error during parsing. <file buildBloomFilter.pig, line 40, column 32>  mismatched input 'N::count' expecting set null
    at org.apache.pig.PigServer$Graph.parseQuery(PigServer.java:1607)
    at org.apache.pig.PigServer$Graph.registerQuery(PigServer.java:1546)
    at org.apache.pig.PigServer.registerQuery(PigServer.java:516)
    at org.apache.pig.tools.grunt.GruntParser.processPig(GruntParser.java:991)
    at org.apache.pig.tools.pigscript.parser.PigScriptParser.parse(PigScriptParser.java:412)
    at org.apache.pig.tools.grunt.GruntParser.parseStopOnError(GruntParser.java:194)
    at org.apache.pig.tools.grunt.GruntParser.parseStopOnError(GruntParser.java:170)
    at org.apache.pig.tools.grunt.Grunt.exec(Grunt.java:84)
    at org.apache.pig.Main.run(Main.java:604)
    at org.apache.pig.Main.main(Main.java:157)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:39)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:25)
    at java.lang.reflect.Method.invoke(Method.java:597)
    at org.apache.hadoop.util.RunJar.main(RunJar.java:197)
Caused by: Failed to parse: <file buildBloomFilter.pig, line 40, column 32>  mismatched input 'N::count' expecting set null
    at org.apache.pig.parser.QueryParserDriver.parse(QueryParserDriver.java:235)
    at org.apache.pig.parser.QueryParserDriver.parse(QueryParserDriver.java:177)
    at org.apache.pig.PigServer$Graph.parseQuery(PigServer.java:1599)
    ... 14 more

【参考方案1】：

如果您使用的是 grunt shell，那么执行此操作的明显方法是调用 DUMP n;，等待作业完成运行，然后将值复制到您的 define bloom... 调用中。

这不是一个非常令人满意的答案，我猜。您很可能希望在脚本中运行它。这是一个非常hacky的方法。您需要 3 个文件：

'n_start.txt' 包含：

n='

'n_end.txt' 包含单个字符：

'

'bloom_build.pig' 包含：

define bb BuildBloom('jenkins', '$n', '0.0001');

一旦你有了这些，你就可以运行这个脚本了：

records = LOAD '$input' using PigStorage();
records = FOREACH records GENERATE 
    (long)     $0 AS value_fld:long, 
    (chararray)$1 AS filter_fld:chararray;
records_fltr = FILTER records by (filter_fld=='$filter_value') 
    AND (value_fld is not null);
records_grp = GROUP records_fltr all;
records_count = FOREACH records_grp GENERATE 
    (chararray) COUNT(records_fltr.value_fld) AS count:chararray;
n = FOREACH records_count GENERATE flatten(count);

--the new part
STORE records_count INTO 'n' USING PigStorgae(',');
--this will copy what you just stored into a local directory
fs -copyToLocal n n
--this will cat the two static files we created prior to running pig
--with the count we just generated.  it will pass it through tr which will
--strip out the newlines and then store it into a file called 'n.txt' which we
--will use as a parameter file
sh cat -s nstart.txt n/part-r-00000 nend.txt| tr -d '\n' > n.txt
--RUN makes pig call one script within another.  Be forewarned that if pig returns 
--a message with an error on a certain line, it is the line number of the expanded script
RUN -param_file n.txt bloom_bulid.pig;

在此之后，您可以像之前打算的那样致电bb。它很丑陋，可能更精通 unix 的人可以摆脱 n_start.txt 和 n_end.txt 文件。

另一个更简洁但涉及更多的选项是编写一个新的 UDF，它（如 BuildBloom）扩展了 BuildBloomBase.java，但有一个空的构造函数，并且可以处理 exec() 方法中的所有内容。

【讨论】：

在仔细查看 BuildBloomBase UDF 之后，我认为这里的真正问题是 BuildBloom UDF 依赖于不动态确定大小（需要猪将所有数据推送到单个node) 以便它可以设置大小相等的过滤器，在键的子集上训练它们，然后对生成的org.apache.hadoop.util.bloom.BloomFilter 对象使用“or()”方法。感谢您提供解决方法。

【参考方案2】：

在 BuildBloom udf 中，您发送“n”作为元组参数。可能“n::columnname”会起作用。试试这个。

【讨论】：

感谢您的建议。请参阅我对原始帖子的编辑，我尝试了您的解决方案并得到了我一段时间以来看到的相同错误。

您的关系名称是“n”而不是“N”。需要从 u 那里知道的一件事是，您为作为元组的分组记录计算 count()，然后将其传递给您的 udf，它期望一个值而不是元组。我认为您需要属于所有组的元组中的所有值，因为将元组作为参数并从中获取每个值然后执行您的操作。即使您不希望所有值只从该元组中获取一个值并执行您的处理。

当我测试你的建议时，它是“N”。我已经多次编辑代码。如果这是我的 UDF，我会按照你的建议去做。 BuildBloom 是一个内置的 UDF (org.apache.pig.builtin.BuildBloom)。它实现了代数接口，它是从脚本中调用的构造函数，而不是exec 方法。