Hadoop 替换Pig中元组中字段的值

我有两个数据集要连接。下面是它们的样子：

 Dataset 1
 ---#----#----#------------#----#-----#-----
 F1 | F2 | F3 | UID        | F4 | ... | F32
 ---#----#----#------------#----#-----#-----
 a1 | b1 | c1 | MD5 value1 | d1 | ... | foo1
 a2 | b2 | c2 | MD5 value2 | d2 | ... | foo2
 a3 | b3 | c3 | MD5 value3 | d3 | ... | foo3
 a4 | b4 | c4 | MD5 value4 | d4 | ... | foo4

 Dataset 2
 ----#-----#--------------#-----#-----#-----
 Z1  | Z2  | UID+Constant | Z3  | ... | Z62
 ----#-----#--------------#-----#-----#-----
 p1  | q1  | MD5 value1+C | s1  | ... | t1
 p2  | q2  | MD5 value2+C | s2  | ... | t2
 p3  | q3  | MD5 value3+C | s3  | ... | t3
 p4  | q4  | MD5 value4+C | s4  | ... | t4

现在，我使用显式字段名加载两个数据集：

D1 = LOAD '/dataset1' USING PigStorage(',')
     AS (F1:chararray, F2:chararray, F3:chararray, UID:chararray, ... , F32:chararray);

D2 = LOAD '/dataset2' USING PigStorage(',')
     AS (Z1:chararray, Z2:chararray, UID_C:chararray, ... , Z62:chararray);

现在，当我加入UID值时，我想从两个数据集获得组合输出。因此，我使用

REGEX\u EXTRACT\u ALL

拆分

D2

中的

UID\u C

字段。我是这样做的

D2_SPLIT_UID_C = FOREACH D2 GENERATE *,
                    FLATTEN(REGEX_EXTRACT_ALL(UID_C, '^(.*)\+(.*)$'))
                        AS (UID:chararray, C:chararray);

然后我在这两个数据集中加入了UID

JOINED_DATA = JOIN D1 BY UID, D2_SPLIT_UID_C BY UID;

到目前为止一切正常，但现在，我必须生成不带

UID\u C

字段的输出。相反，我需要将其替换为

UID

的值。此外，我不需要在最终输出中使用

常量（C）

因此，我需要首先从

D1

生成数据，然后从

D2

生成数据。这是我最终输出的输出头

---#----#----#------------#----#-----#-----#----#----#-----#----#-----#----
F1 | F2 | F3 | UID        | F4 | ... | F32 | Z1 | Z2 | UID | Z3 | ... | Z62
---#----#----#------------#----#-----#-----#----#----#-----#----#-----#----

这就是它变得丑陋的地方。我需要再次将dataset1和dataset2中的所有字段放入最终的

FOREACH生成F1、F2、F3、UID、…、F32、Z1、Z2、UID、Z3、…、Z62

。这样，如果我的模式明天改变，我也必须在这里更新它

我是否可以用UID值替换

UID\u C

列值，然后我只需要使用

FOREACH GENERATE*

就可以了？

您可以使用表达式定义字段范围，例如：
跳过UID_C以及MD5和之后的常量：

D2_SPLIT_UID_C = FOREACH D2 GENERATE Z1 .. Z2, Z3 .. Z62, 
  FLATTEN(REGEX_EXTRACT(UID_C, '^(.*)\\+.*$', 1)) AS (UID:chararray);

您可以使用表达式定义字段范围，例如：
跳过UID_C以及MD5和之后的常量：

D2_SPLIT_UID_C = FOREACH D2 GENERATE Z1 .. Z2, Z3 .. Z62, 
  FLATTEN(REGEX_EXTRACT(UID_C, '^(.*)\\+.*$', 1)) AS (UID:chararray);

---

如果它是一个常数，你只需要MD5，那你为什么要使用正则表达式而不是适当长度的子字符串呢？我们以后也需要这个常数，但目的不同。如果它是常数，你只需要MD5，你为什么要用正则表达式而不是用适当长度的子字符串呢？我们以后也希望这个常量有不同的用途。但仍然不能解决我的问题。实际上，这些字段名是虚拟的。所以，

Z3。。Z62不可能。但仍然不能解决我的问题。实际上，这些字段名是虚拟的。所以，
Z3。。Z62不可能。