将输入拆分为PIG中的子串（Hadoop）

Question

假设我在Pig中有以下输入：

some

我想将其转换为：

s
so
som
some

我还没有找到一种方法来迭代猪拉丁语中的chararray。我找到了TOKENIZE函数但是在单词边界上分裂了。 那么“猪拉丁”也可以。这样做还是需要Java类来做这件事？

Answer 1

尼尔斯， TOKENIZE采用分隔符参数，因此您可以将其拆分为每个字母;但是我想不出让它产生重叠标记的方法。

尽管如此，在Pig中编写UDF非常简单。您只需实现一个名为EvalFunc的简单界面（详情请参见： http://wiki.apache.org/pig/UDFManual ）。 Pig是围绕用户编写自己的函数来处理大多数事物的想法而构建的，因此编写自己的UDF是一种常见且自然的事情。

更简单的选择，虽然效率不高，但是使用Pig流来通过脚本传递数据（我发现快速的Perl或Python脚本比实现一次性作业的Java类更快）。这里有一个例子： http： //www.cloudera.com/blog/2009/06/17/analyzing-apache-logs-with-pig/ - 它演示了使用预先存在的库，Perl脚本，UDF，甚至是一个动态的awk脚本。

Answer 2

以下是如何在不编写自定义UDF的情况下使用pig streaming和python执行此操作：

假设您的数据只是一列单词。 python脚本（让我们称之为wordSeq.py）来处理事物将是：

#!/usr/bin/python
### wordSeq.py ### [don't forget to chmod u+x wordSeq.py !]
import sys
for word in sys.stdin:
  word = word.rstrip()
  sys.stdout.write('\n'.join([word[:i+1] for i in xrange(len(word))]) + '\n')

然后，在您的猪脚本中，您告诉猪您正在使用上述脚本的流式传输，并且您希望在必要时发送脚本：

-- wordSplitter.pig ---
DEFINE CMD `wordSeq.py` ship('wordSeq.py');
W0 = LOAD 'words';
W = STREAM W0 THROUGH CMD as (word: chararray);

Answer 3

使用piggybank库。

http://hadoop.apache.org/pig/docs/r0.7.0/api/org/apache/pig/piggybank/evaluation/string/SUBSTRING.html

像这样使用：

REGISTER /path/to/piggybank.jar;
DEFINE SUBSTRING org.apache.pig.piggybank.evaluation.string.SUBSTRING();

OUTPUT = FOREACH INPUT GENERATE SUBSTRING((chararray)<*>, 0, 10);