hadoop - pig :如何弄平并重新连接袋子中的袋子

我有一个示例，我们试图做一个看似简单的联接:

A = load 'data6' as ( item:chararray, d:int, things:bag{(thing:chararray, d1:int, values:bag{(v:chararray)})} );
B = load 'data7' as ( v:chararray, r:chararray );

    grunt> cat data1
    'item1' 111     { ('thing1', 222, {('value1'),('value2')}) }
    grunt> cat data2
    'value1'        'result1'
    'value2'        'result2'

我们想将'result1'的'result2'，data2数据加入到data1字段中明显的value的条目中。

我们设法将其展平:

A = load 'data6' as ( item:chararray, d:int, things:bag{(thing:chararray, d1:int, values:bag{(v:chararray)})} );
B = load 'data7' as ( v:chararray, r:chararray );
F1 = foreach A generate item, d, flatten(things);
F2 = foreach F1 generate item..d1, flatten(values);

然后，我们将第二个数据集加入:

J = join F2 by v, B by v
J1 = foreach J generate item as item, d as d, thing as thing, d1 as d1, F2::things::values::v as v, r as r;         --Remove duplicate field & clean up naming

    dump J1
    ('item1',111,'thing1',222,'value1','result1')
    ('item1',111,'thing1',222,'value2','result2')

现在，我们需要为每个项目调用一次UDF函数，因此我们需要将这两个级别的袋子重新分组。每个项目都有0个或更多的事物，并且每个事物都有0个或多个值，并且现在这些值可能有也可能没有结果。

我们如何回到:

 ('item1', 111, { 'thing1', 222, { ('value1, 'result1'), ('value2', 'result2') }

我对分组和重新加入的所有尝试都变得十分复杂，未能产生正确的结果，并且在4个以上的mapreduce作业中运行，而在Hadoop中应该是1个mapreduce作业。

最佳答案

以下代码可能有效，R2是最终结果:

group_by_item_d_thing_d1 = group J1 by item, d, thing, d1;
R1 = foreach group_by_item_d_thing_d1 generate group.item, group.d, group.thing, group.d1, J1;
group_by_item_d = group R1 by item, d;
R2 = foreach group_by_item_d generate group.item, group.d, R1;

关于hadoop - pig :如何弄平并重新连接袋子中的袋子，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/16951814/