Apache pig 我的wordcount程序到底出了什么问题？（猪）

我对pig非常不熟悉，我想尝试对不带标点符号的单词进行排序计数。我可以很好地转储D，当我尝试转储E并得到这个错误时，问题就出现了

[main] ERROR org.apache.pig.tools.grunt.Grunt - ERROR 1066: Unable to open iterator for alias E

A = load './SherlockHolmes.txt' using PigStorage(' ');
B = foreach A generate FLATTEN(REGEX_EXTRACT_ALL(LOWER((chararray)$0),'([A-Za-z]+)')) as word;
C = group B by word;
D = foreach C generate COUNT(B) AS counts, group AS word;
E = ORDER D BY counts DESC;
DUMP E;

---

我做错了什么？

对于这个答案，我将使用它作为示例输入：

Hello, my ;name is Holmes.                                                       
This is a test, of a question on SO.                                            
Holmes, again.

当我第一次编写脚本时，我发现使用一些示例数据对每个步骤都非常有用，这样我就可以确切地知道发生了什么。使用脚本执行此操作将显示：

A = load './SherlockHolmes.txt' using PigStorage(' ');
-- Schema for A unknown.
-- (Hello,,my,name,is,Holmes.)
-- (This,is,a,test,,of,a,question,on,SO.)
-- (Holmes,,again.)

因此，

A

的输出是一个具有未知数量值的“tuple”（实际上是一个模式）。通常，如果您不知道元组中的may值是如何存在的，那么应该使用

当您使用

$0

时，您指的不是架构中的所有单词，而是第一个单词。因此，您只对第一个单词应用

LOWER

和

REGEX\u EXTRACT\u ALL

。另外，请注意，运算符是在元组上执行的，不会生成所需的输出。你想把一个包展平

C

、

D

和

E

都应该按照您的预期工作，因此，所有这些都是关于对数据进行处理，使其成为可以使用的格式

知道这一点，你可以这样做：

-- Load in the line as a chararray so that TOKENIZE can convert it into a bag
A = load './tests/sh.txt' AS (foo:chararray);

B1 = FOREACH A GENERATE TOKENIZE(foo, ' ') AS tokens: {T:(word: chararray)} ;
-- Output from B1:
-- B1: {tokens: {T: (word: chararray)}}
-- ({(Hello,),(my),(;name),(is),(Holmes.)})
-- ({(This),(is),(a),(test,),(of),(a),(question),(on),(SO.)})
-- ({(Holmes,),(again.)})

-- Now inside a nested FOREACH we apply the appropriate transformations.
B2 = FOREACH B1 {

    -- Inside a nested FOREACH you can go over the contents of a bag
    cleaned = FOREACH tokens GENERATE 
              -- The .*? are needed to capture the leading and trailing punc.
              FLATTEN(REGEX_EXTRACT_ALL(LOWER(word),'.*?([a-z]+).*?')) as word ;

    -- Cleaned is a bag, so when we FLATTEN it we get one word per line
    GENERATE FLATTEN(cleaned) ;
}

所以现在，

B2

的输出是：

B2: {cleaned::word: bytearray}
(hello)
(my)
(name)
(is)
(holmes)
(this)
(is)
(a)
(test)
(of)
(a)
(question)
(on)
(so)
(holmes)
(again)

当馈入

C

、

D

和

E

时，将产生所需的输出

---

如果您需要我澄清任何问题，请告诉我。

对于此答案，我将使用此作为示例输入：

Hello, my ;name is Holmes.                                                       
This is a test, of a question on SO.                                            
Holmes, again.

当我第一次编写脚本时，我发现使用一些示例数据对每个步骤都非常有用，这样我就可以确切地知道发生了什么。使用脚本执行此操作将显示：

A = load './SherlockHolmes.txt' using PigStorage(' ');
-- Schema for A unknown.
-- (Hello,,my,name,is,Holmes.)
-- (This,is,a,test,,of,a,question,on,SO.)
-- (Holmes,,again.)

因此，

A

的输出是一个具有未知数量值的“tuple”（实际上是一个模式）。通常，如果您不知道元组中的may值是如何存在的，那么应该使用

当您使用

$0

时，您指的不是架构中的所有单词，而是第一个单词。因此，您只对第一个单词应用

LOWER

和

REGEX\u EXTRACT\u ALL

。另外，请注意，运算符是在元组上执行的，不会生成所需的输出。你想把一个包展平

C

、

D

和

E

都应该按照您的预期工作，因此，所有这些都是关于对数据进行处理，使其成为可以使用的格式

知道这一点，你可以这样做：

-- Load in the line as a chararray so that TOKENIZE can convert it into a bag
A = load './tests/sh.txt' AS (foo:chararray);

B1 = FOREACH A GENERATE TOKENIZE(foo, ' ') AS tokens: {T:(word: chararray)} ;
-- Output from B1:
-- B1: {tokens: {T: (word: chararray)}}
-- ({(Hello,),(my),(;name),(is),(Holmes.)})
-- ({(This),(is),(a),(test,),(of),(a),(question),(on),(SO.)})
-- ({(Holmes,),(again.)})

-- Now inside a nested FOREACH we apply the appropriate transformations.
B2 = FOREACH B1 {

    -- Inside a nested FOREACH you can go over the contents of a bag
    cleaned = FOREACH tokens GENERATE 
              -- The .*? are needed to capture the leading and trailing punc.
              FLATTEN(REGEX_EXTRACT_ALL(LOWER(word),'.*?([a-z]+).*?')) as word ;

    -- Cleaned is a bag, so when we FLATTEN it we get one word per line
    GENERATE FLATTEN(cleaned) ;
}

所以现在，

B2

的输出是：

B2: {cleaned::word: bytearray}
(hello)
(my)
(name)
(is)
(holmes)
(this)
(is)
(a)
(test)
(of)
(a)
(question)
(on)
(so)
(holmes)
(again)

当馈入

C

、

D

和

E

时，将产生所需的输出

---

如果您需要我澄清任何事情，请告诉我。

您使用的是什么版本的pig？我刚刚在版本0.10中尝试了这个，它成功了，但输出不正确。对于在这里查找此帖子的人来说，这是一个。你使用的是什么版本的pig？我刚刚在版本0.10中尝试了这个，它成功了，但输出不正确。对于那些在这里查找此帖子的人来说，这里是一个。这里我认为pig应该更简单：PAnyway谢谢你的帮助。。。对于另一个问题，我真的不会意识到所有这些类似的问题，为什么这个问题拒绝排序？grunt>描述C:{count:long，group:chararray}你是指

E

的输出吗？对我来说，

E

的输出是按降序排序的，所以我不太确定。我能想到的唯一一件事是，

计数

被当作一个字符而不是一个长/int。在这里，我认为pig应该更简单：PAnyway谢谢你的帮助。。。对于另一个问题，我真的不会意识到所有这些类似的问题，为什么这个问题拒绝排序？grunt>描述C:{count:long，group:chararray}你是指

E

的输出吗？对我来说，

E

的输出是按降序排序的，所以我不太确定。我脑海中唯一能想到的是，

计数

被视为字符而不是长/整数。