Apache pig 用pig做单词计数

我已经以以下形式处理了数据：

( id ,{ bag of words})

例如：

(foobar, {(foo), (foo),(foobar),(bar)})
(foo,{(bar),(bar)})

等等。。 请给我描述一下：

processed: {id: chararray,tokens: {tuple_of_tokens: (token: chararray)}}

现在我想要的是。。同时计算一个单词在该数据中出现的次数，并将其输出为

foobar, foo, 2
foobar,foobar,1
foobar,bar,1
foo,bar,2

and so on...

---

如何在pig中执行此操作？

虽然可以在纯pig中执行此操作，但使用UDF应该更有效。大致如下：

@outputschema('wordcounts: {T:(word:chararray, count:int)}')
def generate_wordcount(BAG):
    d = {}
    for word in BAG:
        if word in d:
            d[word] += 1
        else:
            d[word] = 1
    return d.items()

然后，您可以这样使用此自定义项：

REGISTER 'myudfs.py' USING jython AS myudfs ;

-- A: (id, words: {T:(word:chararray)})

B = FOREACH A GENERATE id, FLATTEN(myudfs.generate_wordcount(words)) ;

试试这个：

$ cat input 
foobar  foo
foobar  foo
foobar  foobar
foobar  bar
foo bar
foo bar

--preparing
inputs = LOAD 'input' AS (first: chararray, second: chararray);
grouped = GROUP inputs BY first;
formatted = FOREACH grouped GENERATE group, inputs.second AS second;
--what you need
flattened = FOREACH formatted GENERATE group, FLATTEN(second);
result = FOREACH (GROUP flattened BY (group, second)) GENERATE FLATTEN(group), COUNT(flattened);
DUMP result;

输出：

(foo,bar,2)
(foobar,bar,1)
(foobar,foo,2)
(foobar,foobar,1)