Hadoop 像袋子一样压扁元组

我的数据集如下所示：

( A, (1,2) )
( B, (2,9) )

我想“展平”Pig中的元组，基本上为内部元组中找到的每个值重复每个记录，这样预期的输出是：

( A, 1 )
( A, 2 )
( B, 2 ) 
( B, 9 )

---

我知道当元组（1,2）和（2,9）是包时，这是可能的

你的洞察力很好；通过在包中转换元组是可能的。我们想要针对的模式是：{a:chararray，{（chararray）}}例如：（a，{（1）、（2）}）

以下是您问题的解决方案：

A = LOAD 'data.txt' AS (a:chararray,b:(b1:chararray,b2:chararray));
B = FOREACH A GENERATE a, TOBAG(b.b1,b.b2);
C = FOREACH B GENERATE a, FLATTEN($1);

---

神奇的部分是TOBAG操作符。

您可以使用DataFu的UDF TransportSetupletoBag（），然后压平袋子，以获得袋子中每个项目的一行。

我知道这是一个旧线程，但我无法使用上述方法。我想我会分享我的发现

input: (1-2-3, abc)
       (4-5-6, xyz)
desired output:
       (1, abc)
       (2, abc)
       (3, abc)
       (4, xyz)
       (5, xyz)
       (6, xyz)

最初，我使用STRSPLIT生成一个元组，产生与上面类似的输入，但没有成功

output = FOREACH input GENERATE FLATTEN(TOBAG(STRSPLIT($0, '-'))), $1

这导致输出为：

 (1,2,3,abc)
 (4,5,6,xyz)

然而，当我使用tokenize和replace函数时，我得到了所需的输出

output = FOREACH input GENERATE FLATTEN(TOKENIZE(REPLACE($0,'-', ' '))), $1;

---

美好的在这种情况下，元组有两个元素（b.b1、b.b2）。当元组的大小可能不同时，我该怎么做？我还想知道如何使用可变长度的元组进行此操作。您可以为此编写自己的UDF<代码>数据包包=BagFactory.getInstance（）.newDefaultBag（）；对于（inti=0；i有点晚，但使用

标记化
！()