我有一个文件,其中每个元组跨越多行,例如:
START
name: Jim
phone: 2128789283
address: 56 2nd street, New York, USA
END
START
name: Tom
phone: 6308789283
address: 56 5th street, Chicago, 13611, USA
END
.
.
.
以上是我文件中的 2 个元组。我编写了定义 getNext()
函数的 UDF,该函数检查它是否开始,然后我将初始化我的元组;如果是 END 那么我将返回元组(来自字符串缓冲区);否则我只会将字符串添加到字符串缓冲区。
它适用于小于 HDFS block 大小 64 MB(在 Amazon EMR 上)的文件大小,而对于大于此大小的文件,它将失败。我尝试用谷歌搜索,找到这个 blog post . Raja 的解释很容易理解,他提供了示例代码。但是代码正在实现 RecordReader
部分,而不是 pig LoadFunc
的 getNext()
。只是想知道是否有人有处理多行 pig 元组拆分问题的经验?我应该继续在 Pig 中实现 RecordReader
吗?如果是,怎么办?
谢谢。
最佳答案
您可以像 Guy 提到的那样预处理您的输入,或者可以应用描述的其他技巧 here .
我认为最干净的解决方案是实现自定义 InputFormat (与其 RecordReader 一起)创建一条记录/START-END。 pig 的LoadFunc位于 Hadoop 的 InputFormat 的顶部,因此您可以定义 LoadFunc 将使用的 InputFormat。
自定义 LoadFunc 的原始骨架实现如下所示:
import java.io.IOException;
import org.apache.hadoop.mapreduce.InputFormat;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.pig.LoadFunc;
import org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.PigSplit;
import org.apache.pig.data.Tuple;
import org.apache.pig.data.TupleFactory;
public class CustomLoader extends LoadFunc {
private RecordReader reader;
private TupleFactory tupleFactory;
public CustomLoader() {
tupleFactory = TupleFactory.getInstance();
}
@Override
public InputFormat getInputFormat() throws IOException {
return new MyInputFormat(); //custom InputFormat
}
@Override
public Tuple getNext() {
Tuple result = null;
try {
if (!reader.nextKeyValue()) {
return null;
}
//value can be a custom Writable containing your name/value
//field pairs for a given record
Object value = reader.getCurrentValue();
result = tupleFactory.newTuple();
// ...
//append fields to tuple
}
catch (Exception e) {
// ...
}
return result;
}
@Override
public void prepareToRead(RecordReader reader, PigSplit pigSplit)
throws IOException {
this.reader = reader;
}
@Override
public void setLocation(String location, Job job) throws IOException {
FileInputFormat.setInputPaths(job, location);
}
}
在LoadFunc
初始化InputFormat
及其RecordReader
之后,它定位到您的数据的输入位置并开始从recordReader 获取记录,创建生成的元组 (getNext()),直到输入被完全读取。
关于自定义 InputFormat 的一些说明:
我会创建一个自定义的 InputFormat,其中 RecordReader 是
org.apache.hadoop.mapreduce.lib.input.LineRecordReader
:大多数方法会
保持不变,除了 initialize()
:它会调用一个自定义的 LineReader
(基于 org.apache.hadoop.util.LineReader
)。
InputFormat 的键是行偏移量(长整型),值是 自定义
可写。这会将记录的字段(即 START-END 之间的数据)保存为键值对列表。每次调用 RecordReader 的 nextKeyValue()
时,LineReader 都会将记录写入自定义 Writable。整个事情的要点是你如何
实现 LineReader.readLine()
。
另一个可能更简单的方法是更改 TextInputFormat 的分隔符(它在 Hadoop 0.23 中是可配置的,参见 textinputformat.record.delimiter
)
适合您的数据结构的一个(如果可能的话)。在这种情况下,您最终会将数据保存在 Text
中,您需要从中拆分和提取 KV 对并放入元组中。
关于hadoop - PIG UDF 处理拆分成不同映射器的多行元组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13871134/