Pig 的 UDF 中存在“in”会导致问题

Posted 2023-04-13

【中文标题】Pig 的 UDF 中存在“in”会导致问题

【英文标题】：Presence of "in" in Pig's UDF causes problems

【发布时间】：2015-06-02 17:04:16

【问题描述】：

我在 pig 中尝试了我的第一个 UDF，并编写了以下函数 -

package com.pig.in.action.assignments.udf;

import org.apache.pig.EvalFunc;
import org.apache.pig.PigWarning;
import org.apache.pig.data.Tuple;

import java.io.IOException;


public class CountLength extends EvalFunc<Integer> 

    public Integer exec(Tuple inputVal) throws IOException 

        // Validate Input Value ...
        if (inputVal == null ||
            inputVal.size() == 0 ||
            inputVal.get(0) == null) 

            // Emit warning text for user, and skip this iteration
            super.warn("Inappropriate parameter, Skipping ...",
                       PigWarning.SKIP_UDF_CALL_FOR_NULL);
            return null;
        

        // Count # of characters in this string ...
        final String inputString = (String) inputVal.get(0);

        return inputString.length();

    

但是，当我尝试按如下方式使用它时，Pig 会抛出一条错误消息，至少在我的 UDF 上下文中对我来说不容易理解：

grunt> cat dept.txt;
10,ACCOUNTING,NEW YORK
20,RESEARCH,DALLAS
30,SALES,CHICAGO
40,OPERATIONS,BOSTON

grunt> dept = LOAD '/user/sgn/dept.txt' USING PigStorage(',') AS (dept_no: INT, d_name: CHARARRAY, d_loc: CHARARRAY);
grunt> d = FOREACH dept GENERATE dept_no, com.pig.in.action.assignments.udf.CountLength(d_name);

2015-06-02 16:24:13,416 [main] ERROR org.apache.pig.tools.grunt.Grunt - ERROR 1200: <line 2, column 79>  mismatched input '(' expecting SEMI_COLON
Details at logfile: /home/sgn/pig_1433261973141.log

谁能帮我弄清楚这是怎么回事？

我浏览了文档，但对我来说，上面的示例中似乎没有什么明显的错误。我在这里错过了什么吗？

这些是我在 pom.xml 中使用的库：

<dependency>
    <groupId>org.apache.pig</groupId>
    <artifactId>pig</artifactId>
    <version>0.14.0</version>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-core</artifactId>
    <version>1.2.1</version>
</dependency>

有兼容性问题吗？

谢谢，

-维普尔帕塔克；

【问题讨论】：

在使用 udf 之前使用 REGISTER yourjar.jar 执行命令之前是否注册了 jar？

是的 Murali，Jar 已注册。

【参考方案1】：

在停机大约 36 小时后找到问题的原因...

包名中包含“IN”，这对 Pig 来说是个问题。

package com.pig.in.action.assignments.udf;
//              ^^

当我将包名更改为以下时，一切都很好 -

package com.pig.nnn.action.assignments.udf;
//              ^^^

在构建修改后的 UDF 后，我注册了 Jar 并为函数名和宾果游戏定义了一个别名，一切正常 -

REGISTER /user/sgn/UDFs/Pig/CountLength-1.jar;
DEFINE  CL  com.pig.nnn.action.assignments.udf.CountLength;

.   .   .
.   .   .
d = FOREACH dept GENERATE dept_no, CL(d_name) AS DeptLength;

我不记得 IN 是否是 Pig 中的保留词。但仍然存在 IN 会导致问题，（至少在 Pig 的 0.14.0 版本中）。

【讨论】：

IN 子句在 pig 的 v 0.12 中引入。参考：hortonworks.com/blog/announcing-apache-pig-0-12。对这个问题的根本原因感到惊讶:)

是的...Pig 对这类关键字有疑问...曾经必须对此很在意...干得好人...

【参考方案2】：

试过上面的例子。只要使用 REGISTER 命令注册 jar 并且 jar 在类路径中可用，我们就不会看到任何错误。

REGISTER myudfs.jar;
dept = LOAD 'a.csv' USING PigStorage(',') AS (dept_no: INT, d_name: CHARARRAY, d_loc: CHARARRAY);
d = FOREACH dept GENERATE dept_no, CountLength(d_name) as length;

输入：a.csv

10,ACCOUNTING,NEW YORK
20,RESEARCH,DALLAS
30,SALES,CHICAGO
40,OPERATIONS,BOSTON

输出：d

(10,10)
(20,8)
(30,5)
(40,10)

注意: 在上面的运行中，类 CountLength 已在默认包中定义。

如果此类 - CountLength 已在包 com.pig.utility 中定义，那么要访问 UDF，我们必须有如下的 DEFINE 语句

DEFINE CountLength com.pig.utility.CountLength;

或

我们必须通过完整的路径来引用UDF，如下所示：

d = FOREACH dept GENERATE dept_no, com.pig.utility.CountLength(d_name) as length;

【讨论】：

除非您为其定义别名，否则您在调用它时也需要包含该包：DEFINE CountLength com.pig.in.action.assignments.udf.CountLength();

@Balduz ：同意如果我们在包中有 CountLength 类，我们需要有 DEFINE 声明。在上面的测试运行中，我在默认包中定义了类 CountLength，因为不需要 DEFINE 语句。

感谢@Balduz 和 Murali，我已经尝试了这些步骤，但我完全不知道为什么它不适合我。它抱怨 '(' 并说应该是 SEMI_COLON。

发现问题。请。检查下面的详细信息。

【参考方案3】：

您的 jar 应该已注册 例如：

REGISTER /home/hadoop/udf.jar;  

DEFINE package.CountLength CountLength ;

【讨论】：

谢谢阿曼，就像我在上面评论的那样，我已经执行了这两个步骤，并尝试了各种组合，将我的 JAR 放在不同的位置、更改 Jar 的名称、将 Jar 放在 HDFS 中等等。似乎没有工作。我怀疑应该是一些非常愚蠢的原因......但是具有讽刺意味的是，我看不出我的 UDF 未被识别的原因。

发现问题。请。检查下面的详细信息。