apache-pig - 通过 pig 的时间戳获取最后一行

我有一些缓慢变化的元数据实时存储在 HDFS 上。我想编写一个 pig 作业，将这些行压缩到每个键的最新行。

例如，对于这些数据(为清楚起见添加了列标题):

ts   meta   key
--   ----   ---
1    foo    id1
2    que    id2
3    que    id2
4    foo    id1
5    pasa   id2
6    pasa   id2
7    foo    id1
8    pasa   id2
9    pasa   id2
10   pasa   id2
11   pasa   id2
12   hombre id2
13   foo    id1
14   foo    id1
15   hombre id2
16   bar    id1
17   bar    id1
18   bar    id1
19   bar    id1
20   bar    id1

我希望得到输出:

15   hombre id2
20   bar    id1

我刚刚开始学习 Pig Latin 的来龙去脉 - 是否有内置的方法可以在 Pig 或某个图书馆中做到这一点，还是应该考虑编写 UDF？

最佳答案

这是嵌套 foreach 的好地方:

A = LOAD '$input' AS (ts:int, meta:chararray, key:chararray);
B =
    FOREACH (GROUP A BY key) {
        byts = ORDER A BY ts DESC;
        newest = LIMIT byts 1;
        GENERATE FLATTEN(newest);
    };

测试您的数据(我将其转换为制表符分隔):

(20,bar,id1)
(15,hombre,id2)

使用这种方法，即使您有两行带有最新时间戳的行，您也可以保证每个键只有一行(尽管这对您的数据可能无关紧要)。

关于apache-pig - 通过 pig 的时间戳获取最后一行，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/18450869/