arrays - hadoop pig 加入任何匹配的元组值

Question

我是Pig的新手，正在尝试使用它来处理数据集。我有一组看起来像的记录

id    elements
--------------
1     ["a","b","c"]
2     ["a","f","g"]
3     ["f","g","h"]

我的想法是我要创建具有任何重叠元素的元素的元组。如果元素只是单个项目而不是数组，我可以做一个简单的连接，例如:

A = LOAD 'mydata' ...
B = FOREACH A GENERATE id as id_2, elements as elements_2;
C = JOIN A BY elements, B BY elements_2;

但是由于elements是一个数组，因此如果只有部分重叠，则此方法将无效。关于如何在 pig 中这样做的任何想法？

预期的输出将给出具有重叠的元组:

(1,2)
(2,3)

Answer 1

我认为无法为此使用JOIN。
一种(不太好用)的解决方案是对两个关系进行CROSS，然后执行FILTER操作。FILTER条件可以是UDF或某种regex_extract_all并与产生的字段匹配。如果数组的大小始终为3，我可能会选择regex_extract_all解决方案。