Question

我有日志文件，

116.48.29.143 - - [01 / Oct / 2013：20：28：21 +0530]“GET /test.php HTTP / 1.1”200 749“ - ”“Mozilla / 4.0（兼容; MSIE 6.0; Windows NT） 5.1; SV1; .NET CLR 1.1.4322）“

145.89.87.211 - - [01 / Oct / 2013：20：28：21 +0530]“GET /test.php HTTP / 1.1”200 613“ - ”“Mozilla / 4.0（兼容; MSIE 6.0; Windows NT） 5.1; SV1; .NET CLR 1.1.4322）“

REGISTER file:/home/hadoop/lib/pig/piggybank.jar;
DEFINE EXTRACT org.apache.pig.piggybank.evaluation.string.EXTRACT();             
DEFINE CustomFormatToISOorg.apache.pig.piggybank.evaluation.datetime.convert.CustomFormatToISO();
DEFINE ISOToUnix org.apache.pig.piggybank.evaluation.datetime.convert.ISOToUnix();
DEFINE DATE_TIME org.apache.pig.piggybank.evaluation.datetime.DATE_TIME();
DEFINE FORMAT_DT org.apache.pig.piggybank.evaluation.datetime.FORMAT_DT();
DEFINE FORMAT org.apache.pig.piggybank.evaluation.string.FORMAT();

A = LOAD 'input' USING TextLoader AS (line:chararray);

B = FOREACH A GENERATE FLATTEN (REGEX_EXTRACT_ALL(line,'^(\\S+) (\\S+) (\\S+) \\[([\\w:/]+\\s[+\\-]\\d{4})\\] "(.+?)" (\\S+) (\\S+) "([^"]*)" "([^"]*)"') ) AS (remoteAddr:chararray, remoteLogname: chararray, user: chararray,  time: chararray, request: chararray, status: int, bytes_string: chararray, referrer: chararray, browser: chararray);

我的问题是提取分钟，我的意思是从[2013年10月1日：20：28：21 +0530]我需要得到的只有28:21

我该如何提取？

Answer 1

您已经知道如何编写正则表达式，那么为什么不修改您的正则表达式或编写新表达式？这是一个新的：

C = FOREACH A GENERATE REGEX_EXTRACT(time, '[\\w/]+:\\d{2}([\\d:]+)\\s[+\\-]\\d{4}') AS hourMin;

Answer 2

我为这种应用程序编写了一个特殊的Pig Loader。这样可以更轻松地解析Apache HTTPD日志文件。

你可以在你的猪应用程序中使用它，看起来像这样：

REGISTER httpdlog-pigloader-1.0-SNAPSHOT-job.jar

Clicks = 
  LOAD 'access_log.gz' 
  USING nl.basjes.pig.input.apachehttpdlog.Loader(
    '%h %l %u %t "%r" %>s %b "%{Referer}i" "%{User-Agent}i"',
    'IP:connection.client.host',
    'TIME.MINUTE:request.receive.time.minute',
    'HTTP.URI:request.firstline.uri',
    'STRING:request.firstline.uri.query.foo',
    'STRING:request.status.last',
    'HTTP.URI:request.referer',
    'STRING:request.referer.query.foo',
    'HTTP.USERAGENT:request.user-agent')
  AS ( 
    ConnectionClientHost,
    RequestReceiveTimeMinute,
    RequestFirstlineUri,
    RequestFirstlineUriQueryFoo,
    RequestStatusLast,
    RequestReferer,
    RequestRefererQueryFoo,
    RequestUseragent);

您可以在此处下载：https://github.com/nielsbasjes/logparser

提取猪的部分田地

2 个答案: