通过python UDF将文本文件导入到pig

我尝试在使用python udf时将文件加载到pig，我尝试了两种方法：

•（myudf1，sample1.pig）：尝试从python读取文件，该文件位于我的客户机服务器上

•（myudf2，sample2.pig）：首先将文件从hdfs加载到grunt shell，然后将其作为参数传递给python udf

myudf1.py

from __future__ import with_statement
def get_words(dir):
    stopwords=set()
    with open(dir) as f1:
        for line1 in f1:
            stopwords.update([line1.decode('ascii','ignore').split("\n")[0]])
    return stopwords

stopwords=get_words("/home/zhge/uwc/mappings/english_stop.txt")

@outputSchema("findit: int")
def findit(stp):
    stp=str(stp)
    if stp in stopwords:
        return 1
    else:
        return 0

样本1.1：

REGISTER '/home/zhge/uwc/scripts/myudf1.py' USING jython as pyudf;
item_title = load '/user/zhge/data/item_title_sample/000000_0' USING PigStorage(',')  AS (title:chararray);

T = limit item_title 1;
S = FOREACH T GENERATE pyudf.findit(title);
DUMP S

我得到：IOError:（2，'没有这样的文件或目录'，'/home/zhge/uwc/mappings/english_stop.txt'）

对于解决方案2：

myudf2：

def get_wordlists(wordbag):
    stopwords=set()
    for t in wordbag:
        stopwords.update(t.decode('ascii','ignore'))
    return stopwords


@outputSchema("findit: int")
def findit(stopwordbag, stp):
    stopwords=get_wordlists(stopwordbag)
    stp=str(stp)
    if stp in stopwords:
        return 1
    else:
        return 0

样本2.猪

REGISTER '/home/zhge/uwc/scripts/myudf2.py' USING jython as pyudf;

stops = load '/user/zhge/uwc/mappings/stopwords.txt' AS (stop_w:chararray);
-- this step works fine and i can see the "stops" obejct is loaded to pig 
item_title = load '/user/zhge/data/item_title_sample/000000_0' USING PigStorage(',')  AS (title:chararray);
T = limit item_title 1;
S = FOREACH T GENERATE pyudf.findit(stops.stop_w, title);
DUMP S;

然后我得到：

---

错误org.apache.pig.tools.grunt.grunt-错误1066:无法打开别名S的迭代器。后端错误：Scalar在输出中有多行。第一：（a）第二：（as

第二个示例应该有效。虽然您限制了错误的表达式，但它应该位于

停止关系上。因此它应该是：

stops = LOAD '/user/zhge/uwc/mappings/stopwords.txt' AS (stop_w:chararray);

item_title = LOAD '/user/zhge/data/item_title_sample/000000_0' USING PigStorage(',') AS (title:chararray);
T = LIMIT stops 1;
S = FOREACH item_title GENERATE pyudf.findit(T.stop_w, title);


但是，由于您似乎需要先处理所有停止词，这还不够。您需要对所有停止词进行
分组
，然后将结果传递给
get_wordlist
函数：

stops = LOAD '/user/zhge/uwc/mappings/stopwords.txt' AS (stop_w:chararray);

item_title = LOAD '/user/zhge/data/item_title_sample/000000_0' USING PigStorage(',') AS (title:chararray);
T = FOREACH (GROUP stops ALL) GENERATE pyudf.get_wordlists(stops) AS ready;
S = FOREACH item_title GENERATE pyudf.findit(T.ready, title);

您必须更新您的UDF以接受DICT列表，但此方法才能起作用。
对于在查找此帖子时找到此帖子的人，请参阅。