Hadoop 通用联接脚本

我有一个项目，其中我计算了帐户上的各种数据，并将每个数据保存在不同的文件中（每个计算都有不同的脚本）。 然后，我需要创建最后一个文件，该文件合并了一个帐户的所有数据。 一种方法是将每个输出保存在不同的目录中，而不是在最终脚本中，使用模式加载每个目录，按帐户加入（或联合组）并打印。这里的问题是，我需要告诉pig要加载哪些目录。 我想制作一个更通用的脚本，以便添加更多的计算，因此我创建了一个父目录，并将所有输出保存在该目录下（在子目录中）。然后我写了这个脚本

attributes_data=        load '$attributes_data' using CSVLoader;
union_data=         group attributes_data by TRIM ($0);
final_output=       foreach union_data generate
            FLATTEN(Merge_Bags(attributes_data));
store order_data into '$final_attr' using AttributesStorer;

这样，我不需要告诉pig应该加载哪些文件，它只需加载我输出目录下的所有子目录。这里的问题是，group by之后包中元组的顺序不一致，因此我的最终结果没有一致的顺序，这是一个问题

---

我非常欣赏您的想法，使脚本尽可能通用，同时在最终结果中保存一些数据顺序。

在分组之前，您可以尝试使用order BY子句，如果这样做有用的话

在分组之前，您可以尝试使用ORDERBY子句，如果这样做有用的话

我认为之后的分组不一定能保持顺序-似乎没有希望。我认为之后的分组不一定能保持顺序-似乎没有希望。