Apache Pig：基于元组成员内容的过滤器答案

【问题标题】：Apache Pig: filter based on tupple member contentApache Pig：基于元组成员内容的过滤器
【发布时间】：2014-11-12 13:31:01
【问题描述】：

我正在学习 Apache Pig，但在实现我的愿望时遇到了问题。我有这个对象（在进行 GROUP BY 之后）：

MLSET_1: {group chararray,MLSET: {(key: chararray, text: chararray)}}

仅当某个模式 (PATTERN_A) 出现在文本中并且另一种模式 (PATTERN_B) 没有出现在一个键的文本字段中时，我才想生成键。

我知道我可以使用 MLSET.text 来获取特定键的所有文本值的元组，但是在如何从元组中过滤项目列表时我仍然遇到同样的问题。

这是一个例子：

(key_A,{(key_A,start),(key_A,stop),(key_A,unknown),(key_A,whatever)})
(key_B,{(key_B,stop),(key_B,whatever)})
(key_C,{(key_C,start),(key_C,stop),(key_C,whatever)})

我想获取出现“开始”且未出现“未知”的行的键。在这个例子中，我将只得到 key_C 作为结果。

提前感谢您的帮助！

【问题讨论】：

标签： hadoop apache-pig

【解决方案1】：

这里有一些代码可能会对您有所帮助。解决方案是这里的嵌套 foreach：

C = FOREACH MLSET_1 {F1 = FILTER MLSET BY (text == PATTERN_A); F2 = FILTER MLSET BY (text != PATTERN_B); GENERATE group, COUNT(F1) AS cnt1, COUNT(F2) AS cnt2;};
D = FILTER C BY (cnt1 > 1 AND cnt2 == 0);

您可能必须调整嵌套过滤器中的比较。

【讨论】：

弗雷德，我想发布相同的解决方案，但您在 2 分钟前发布。时机非常重要。 +1。
嗨@Fred，感谢您的快速回答。我认为我们已经接近这里的解决方案，但您误解了部分问题（可能不够清楚）。我正在编辑问题以添加一个示例，这将使问题更加清晰。
过程几乎相同，但我会编辑答案
你好@Fred。感谢您澄清这一点，现在我完全理解了这背后的逻辑，并且能够得到我想要的。我确实修改了你的建议：我测试 PATTERN_B 是否在这里，然后我过滤 cnt2==0。这是最后的命令行： C = FOREACH MLSET_1 {F1 = FILTER MLSET BY (text == PATTERN_A); F2 = FILTER MLSET BY（文本 == PATTERN_B）；生成组, COUNT(F1) AS cnt1, COUNT(F2) AS cnt2;}; D = 过滤 C BY (cnt1 >= 1 AND cnt2 == 0);

【解决方案2】：

这里是另一种方法

C = FOREACH MLSET_1 GENERATE $0,$1,BagToString(MLSET.(key,text));
D = FILTER C BY ($2 MATCHES '.*start.*') AND NOT($2 MATCHES '.*unknown.*');
E = FOREACH D GENERATE $0,$1;
DUMP E;

上述输入的输出：

(key_c,{(key_c,start),(key_c,stop),(key_c,whatever)})

【讨论】：