我一直坚持这个问题。我有一个如下所示的数据文件:
(1,N,N,5,High,H,House,d)
(1,N,N,6,High,H,House,a)
(2,N,N,10,Low,H,House,t)
(2,N,N,11,Medium,H,House,e)
我希望我的输出格式如下。我可以使用Pig ???
来实现它{1,(N,N),{(5,High),(H,House),d},{(6,High),(H,House),a}}
{2,(N,N),{(10,Low),(H,House),t}{(11,Medium),(H,House),e}}
我实际上尝试将其分组为第一列。
datafile = LOAD '/user/zbc/xyz.txt' USING PigStorage() AS (id:int,
flag1:chararray, flag2:chararray, typcode:chararray, typ_name:chararray,
groupcode:charray, groupname:chararray, date:chararray);
collected = FOREACH datafile Generate TOBAG(gst_id, TOTUPLE(flag1,flag2),
TOBAG(TOTUPLE(typcode, typname), TOTUPLE(groupcode, groupname), date));
我没有得到进一步的进展。按"一个字段和一个元组分组"。
答案 0 :(得分:2)
嗯,你是在正确的方向,但你自己创造袋子,而不是让猪在分组时这样做。加载数据后,简化第二步,只创建所需的元组,两个标志的组合:
collected = FOREACH datafile Generate id, TOTUPLE(flag1, flag2), $3..;
$3..
告诉Pig从第四个开始(从$0
开始),因此您不必重复整个参数列表。现在你将拥有这个:
(1,(N,N),5,High,H,House,d)
(1,(N,N),6,High,H,House,a)
(2,(N,N),10,Low,H,House,t)
(2,(N,N),11,Medium,H,House,e)
现在,您可以使用group by
运算符按所需字段的任意组合进行分组,在本例中为id
和标记元组:
desired_output = group collected by (id, $1);
在此之后,您可以根据需要对数据进行分组:
((1,(N,N)),{(1,(N,N),6,High,H,House,a),(1,(N,N),5,High,H,House,d)})
((2,(N,N)),{(2,(N,N),11,Medium,H,House,e),(2,(N,N),10,Low,H,House,t)})
修改强>
如果您不希望分组的字段显示在最终包中,可以使用嵌套的foreach将其取出:
filtered_output = foreach desired_output {
AUX = foreach collected generate $2..;
generate group, AUX;
}
输出:
((1,(N,N)),{(6,High,H,House,a),(5,High,H,House,d)})
((2,(N,N)),{(11,Medium,H,House,e),(10,Low,H,House,t)})