用于过滤多个字符串上的文件的 Pig 脚本/命令答案

【问题标题】：Pig script/command to filter a file on multiple strings用于过滤多个字符串上的文件的 Pig 脚本/命令
【发布时间】：2012-03-23 22:52:26
【问题描述】：

我正在尝试编写一个 Java 程序或 Hadoop Pig 脚本，它将采用逗号分隔字符串的参数（例如 abc, def, xyz）并过滤文件以查找包含一个或多个这些字符串的记录。

例如

输入文件：

1    abctree
2    pqrwewe
3    rtrxyz45
4    abcxyz
5    234rt23

输入参数为：abc, def, xyz

预期输出：

1    abctree
3    rtrxyz45
4    abcxyz

我可以编写脚本，使用matches 在 1 个字符串上过滤文件，但不知道如何处理多个字符串。我需要为此编写 UDF 吗？

我已经在这个问题中添加了 Java 标记，因为根据我最初的发现，我必须编写一个用 Java 编写的 UDF。因此，如果有人知道用 Java 编写此代码的方法，请发布您的解决方案。

【问题讨论】：

标签： java regex hadoop pattern-matching apache-pig

【解决方案1】：

我想通了：

B = filter A by (n matches '.*string1.*' or n matches '.*string2.*' or n matches '.*string3.*');

这就是诀窍。

但是，根据我的要求，我将接受来自命令行的“逗号分隔”输入，例如string1, string2, string3。所以下一个任务是以某种方式分离各个字符串并在上面的表达式中使用它们。如果有人知道怎么做（尤其是没有 UDF），请发帖。

【讨论】：

【解决方案2】：

我不知道 Pig，但在 Java 中你可以使用这样的东西：

String[] words = input.split("[\\s,]+");

String line;
while((line = file.readLine()) != null){
    for(String word : words){
        if(line.contains(word)){
            System.out.print(line);
            break;
        }
    }
}

contains 足以找到单词。您可以根据input 字符串创建一个正则表达式并在其上进行匹配。表达式看起来像 foo|bar|baz，但您需要转义元字符，以便在匹配期间它们是文字，这可以使用 java.util.regex.Pattern.quote 完成。

【讨论】：