Pig 0.11.1 - 在一个时间范围内计数组

Question

我有一个数据集 A，它包含时间戳、访问者、URL：

(2012-07-21T14:00:00.000Z, joe, hxxp:///www.aaa.com) 
(2012-07-21T14:01:00.000Z, mary, hxxp://www.bbb.com) 
(2012-07-21T14:02:00.000Z, joe, hxxp:///www.aaa.com) 

我想在 10 分钟的时间窗口内测量每个 URL 的每个用户的访问次数，但作为一个按分钟递增的滚动窗口。输出将是：

(2012-07-21T14:00 to 2012-07-21T14:10, joe, hxxp://www.aaa.com, 2)
(2012-07-21T14:01 to 2012-07-21T14:11, joe, hxxp://www.aaa.com, 1)

为了使算术简单，我将时间戳更改为一天中的分钟，如下所示：

(840, joe, hxxp://www.aaa.com) /* 840 = 14:00 hrs x 60 + 00 mins) */

为了通过移动时间窗口迭代“A”，我创建了一个包含一天中分钟数的数据集 B：

(0)
(1)
(2)
.
.
.
.
(1440)

理想情况下，我想做这样的事情：

A = load 'dataset1' AS (ts, visitor, uri)
B = load 'dataset2' as (minute)

foreach B {
C = filter A by ts > minute AND ts < minute + 10;
D = GROUP C BY (visitor, uri);
foreach D GENERATE group, count(C) as mycnt;
}

DUMP B;

我知道“FOREACH”循环中不允许使用“GROUP”，但是否有解决方法可以达到相同的结果？

谢谢！

Answer 1

也许你可以做这样的事情？

注意：这取决于您为整数日志创建的分钟数。如果不是，那么您可以四舍五入到最接近的分钟。

myudf.py

#!/usr/bin/python

@outputSchema('expanded: {(num:int)}')
def expand(start, end):
        return [ (x) for x in range(start, end) ]

myscript.pig

register 'myudf.py' using jython as myudf ;

-- A1 is the minutes. Schema:
-- A1: {minute: int}
-- A2 is the logs. Schema:
-- A2: {minute: int,name: chararray}
-- These schemas should change to fit your needs.

B = FOREACH A1 GENERATE minute, 
                        FLATTEN(myudf.expand(minute, minute+10)) AS matchto ;
-- B is in the form:
-- 1 1
-- 1 2
-- ....
-- 2 2
-- 2 3
-- ....
-- 100 100
-- 100 101
-- etc.

-- Now we join on the minute in the second column of B with the 
-- minute in the log, then it is just grouping by the minute in
-- the first column and name and counting
C = JOIN B BY matchto, A2 BY minute ;
D = FOREACH (GROUP C BY (B::minute, name)) 
            GENERATE FLATTEN(group), COUNT(C) as count ;

我有点担心较大日志的速度，但它应该可以工作。如果您需要我解释任何事情，请告诉我。

Answer 2

A = load 'dataSet1' as (ts, visitor, uri);
houred = FOREACH A GENERATE user, org.apache.pig.tutorial.ExtractHour(time) as hour, uri;
hour_frequency1 = GROUP houred BY (hour, user);

这样的事情应该会有所帮助 ExtractHour 是一个 UDF，您可以为所需的 Duration 创建类似的内容。 然后按小时分组，然后按用户分组 您可以使用 GENERATE 进行计数。

http://pig.apache.org/docs/r0.7.0/tutorial.html