Hadoop PIG UDF将多行元组拆分为不同的映射器
我有一个文件,其中每个元组跨越多行,例如:Hadoop PIG UDF将多行元组拆分为不同的映射器,hadoop,amazon-web-services,mapreduce,user-defined-functions,apache-pig,Hadoop,Amazon Web Services,Mapreduce,User Defined Functions,Apache Pig,我有一个文件,其中每个元组跨越多行,例如: START name: Jim phone: 2128789283 address: 56 2nd street, New York, USA END START name: Tom phone: 6308789283 address: 56 5th street, Chicago, 13611, USA END . . . 上面是我文件中的两个元组。我编写了我的UDF,它定义了一个getNext()函数,检查它是否启动,然后我将初始化我的元组;如果
START
name: Jim
phone: 2128789283
address: 56 2nd street, New York, USA
END
START
name: Tom
phone: 6308789283
address: 56 5th street, Chicago, 13611, USA
END
.
.
.
上面是我文件中的两个元组。我编写了我的UDF,它定义了一个getNext()
函数,检查它是否启动,然后我将初始化我的元组;如果是END,那么我将返回元组(从字符串缓冲区);否则,我将只将字符串添加到字符串缓冲区
如果文件大小小于HDFS块大小(在AmazonEMR上为64MB),那么它工作得很好,但是如果文件大小大于64MB,那么它将失败。我试着四处搜索,找到这个。Raja的解释很容易理解,他提供了一个示例代码。但是代码实现了RecordReader
部分,而不是pigLoadFunc
的getNext()
。只是想知道是否有人有处理多行猪元组分裂问题的经验?我是否应该继续在Pig中实现RecordReader
?如果是,怎么做
谢谢。您可以像Guy提到的那样预处理您的输入,也可以应用所描述的其他技巧 我认为最干净的解决方案是实现一个定制(连同它的RecordReader)来创建一个记录/开始端。Pig位于Hadoop的InputFormat之上,因此您可以定义LoadFunc将使用的InputFormat
自定义LoadFunc的原始骨架实现如下所示:
import java.io.IOException;
import org.apache.hadoop.mapreduce.InputFormat;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.pig.LoadFunc;
import org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.PigSplit;
import org.apache.pig.data.Tuple;
import org.apache.pig.data.TupleFactory;
public class CustomLoader extends LoadFunc {
private RecordReader reader;
private TupleFactory tupleFactory;
public CustomLoader() {
tupleFactory = TupleFactory.getInstance();
}
@Override
public InputFormat getInputFormat() throws IOException {
return new MyInputFormat(); //custom InputFormat
}
@Override
public Tuple getNext() {
Tuple result = null;
try {
if (!reader.nextKeyValue()) {
return null;
}
//value can be a custom Writable containing your name/value
//field pairs for a given record
Object value = reader.getCurrentValue();
result = tupleFactory.newTuple();
// ...
//append fields to tuple
}
catch (Exception e) {
// ...
}
return result;
}
@Override
public void prepareToRead(RecordReader reader, PigSplit pigSplit)
throws IOException {
this.reader = reader;
}
@Override
public void setLocation(String location, Job job) throws IOException {
FileInputFormat.setInputPaths(job, location);
}
}
(
name: Jim
enter code here`phone: 2128789283
address: 56 2nd street, New York, USA
END
)
(
name: Tom
phone: 6308789283
address: 56 5th street, Chicago, 13611, USA
END
)
在LoadFunc
初始化InputFormat
及其RecordReader
后,它会找到数据的输入位置,并开始从RecordReader获取记录,创建结果元组(getNext()),直到完全读取输入
关于自定义InputFormat的一些备注:
我将创建一个自定义InputFormat,其中RecordReader是的修改版本
org.apache.hadoop.mapreduce.lib.input.LineRecordReader
:大多数方法
保持不变,除了initialize()
:它将调用自定义LineReader
(基于org.apache.hadoop.util.LineReader
)。
InputFormat的键是行偏移量(长),值是自定义的
可写的。这将保存记录的字段(即开始和结束之间的数据)作为键值对列表。每次调用RecordReader的nextKeyValue()
时,记录都会写入可由LineReader写入的自定义文件。整件事的要点是你是怎么做的
实现LineReader.readLine()
另一种可能更简单的方法是更改TextInputFormat的分隔符(它在Hadoop 0.23中是可配置的,请参见TextInputFormat.record.delimiter
)
适用于您的数据结构(如果可能的话)。在这种情况下,您将以
文本中的数据结束,您需要从中拆分和提取KV对并将其转换为元组。如果您可以使用start作为分隔符,那么下面的代码可能在没有UDF的情况下工作
SET textinputformat.record.delimiter 'START';
a = load '<input path>' as (data:chararray);
dump a;
现在两者都被分成两个元组。预处理文件会更简单,将记录的所有信息放在一行中-一行awkI无法控制输入文件如果我自己预处理,那么开销将克服Hadoop提供的好处。除了我在Hadoop中使用预处理。现在,我仍然在寻找跨映射器边界处理元组的解决方案。只是想知道您是否可以提供定制InpurFormat和RecordReader的框架实现?特别是如何处理跨越映射者边界的元组?谢谢。MyInputFormat似乎无法使用。我把print语句放在MyInputFormat的旁边,但它没有被打印出来。