Pig怎么實現(xiàn)關(guān)鍵詞匹配

本篇文章為大家展示了Pig怎么實現(xiàn)關(guān)鍵詞匹配，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細(xì)介紹希望你能有所收獲。

1. 問題描述

收集日志avro數(shù)據(jù)中有兩個Map字段appInstall、appUse分別表示已安裝的app、正在使用的app，且key值為app的名稱，value值為app使用信息?，F(xiàn)在要得到一份匹配上購物類app支付寶|京東|淘寶|天貓的用戶名單；MapReduce 解決辦法如下：

public static class M extends Mapper{
    Text text = new Text();
    
    @SuppressWarnings("unchecked")
    @Override
    protected void map(String key, Pair value, Context context) throws IOException, InterruptedException {
        Map data = value.fields.data;
        
        String dvc = data.get("dvc").toString();
        MapappInstall = (Map) data.get("appInstall");
        MapappUse = (Map) data.get("appUse");
        
        for(String app: appInstall.keySet()) {
            if(app.matches("支付寶|京東|淘寶|天貓")) {
                text.set(appInstall.keySet().toString());
                context.write(dvc, text);
                return;
            }
        }
        
        for(String app: appUse.keySet()) {
            if(app.matches("支付寶|京東|淘寶|天貓")) {
                text.set(appUse.keySet().toString());
                context.write(dvc, text);
                return;
            }
        }
    }
}

但是，如果要匹配游戲類的app、金融類的app類呢？如果匹配關(guān)鍵詞發(fā)生了變化呢？顯然，我們應(yīng)該將匹配關(guān)鍵詞開放成API，可以自由地匹配正則表達(dá)式。這時，pig派上了用場。

2. Bag正則匹配

A = load '//' using org.apache.pig.piggybank.storage.avro.AvroStorage();
-- A: {key: chararray,value: (fields: (data: map[]))}
B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];
-- B: {dvc: bytearray,ins: map[],use: map[]}
C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;
-- C: {dvc: bytearray,insk: {(chararray)},usek: {(chararray)}}

在上述代碼中，load 數(shù)據(jù)轉(zhuǎn)換得到bag類型的app-set（insk與usek）；但是，應(yīng)如何遍歷bag中的tuple與正則表達(dá)式做匹配呢？答案是UDF。

Apache DataFu Pig 提供了豐富的UDF，其中關(guān)于bags的UDF可以參看這里。TupleFromBag 提供根據(jù)index從bag提取tuple，支持三個輸入?yún)?shù)。依葫蘆畫瓢，遍歷bag匹配正則表達(dá)式的UDF如下：

package com.pig.udf.bag;
/**
 * This UDF will return true if one tuple from a bag matches regex.
 * 
 *  There are two input parameter:
 *      1. DataBag
 *      2. Regex String
 */
public class BagMatchRegex extends FilterFunc {
    @Override
    public Boolean exec(Tuple tinput) throws IOException {
        try{
            DataBag samples = (DataBag) tinput.get(0);
            String regex = (String) tinput.get(1);
            for (Tuple tuple : samples) {
                if(((String) tuple.get(0)).matches(regex)){
                    return true;
                }
            }
        }
        catch (Exception e) {
            return false;
        }
        return false;
    }
}

其中，F(xiàn)ilterFunc為過濾UDF的基類，繼承于EvalFunc，即exec(Tuple tinput)的返回值必為Boolean類型。bag正則匹配的pig 腳本如下：

REGISTER ../piglib/udf-0.0.1-SNAPSHOT-jar-with-dependencies.jar
define BagMatchRegex com.pig.udf.bag.BagMatchRegex();
A = load '/user/../current/*.avro' using org.apache.pig.piggybank.storage.avro.AvroStorage();
B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];
C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;
D = filter C by BagMatchRegex(insk, '支付寶|京東|淘寶|天貓') or BagMatchRegex(usek, '支付寶|京東|淘寶|天貓');

3. 優(yōu)化

還有沒有可以做優(yōu)化的地方呢？我們先來看看pig中的KEYSET實現(xiàn)：

package org.apache.pig.builtin;
public class KEYSET extends EvalFunc{
    private static final TupleFactory TUPLE_FACTORY = TupleFactory.getInstance();
    @SuppressWarnings("unchecked")
    @Override
    public DataBag exec(Tuple input) throws IOException {
        if(input == null || input.size() == 0) {
            return null;
        }
        Mapm = null;
        // Input must be of type Map. This is verified at compile time
        m = (Map)(input.get(0));
        if(m == null) {
            return null;
        }
        DataBag bag = new NonSpillableDataBag(m.size());
        for (String s : m.keySet()) {
            Tuple t = TUPLE_FACTORY.newTuple(s);
            bag.add(t);
        }
        return bag;
    }
    ...
}

需要指出的一點(diǎn)——pig的map數(shù)據(jù)類型是由Java類Map實現(xiàn)的。從KEYSET源碼中可以看出在調(diào)用時已經(jīng)將map遍歷了一次，然后在調(diào)用BagMatchRegex時又需要將key-set的bag再遍歷一次。其實，完全可以只用一次遍歷做map-key值的正則匹配：

package com.pig.udf.map;
/**
 * This UDF will return true if map's key matches regex.
 * 
 *  There are two input parameter:
 *      1. Map
 *      2. Regex String
 */
public class KeyMatchRegex extends FilterFunc {
    
    @SuppressWarnings("unchecked")
    @Override
    public Boolean exec(Tuple input) throws IOException
    {
        try{
            Mapm = null;
            // Input must be of type Map. This is verified at compile time
            m = (Map)(input.get(0));
            
            String regex = (String) input.get(1);
            for (String key : m.keySet()) {
                if(key.matches(regex)){
                    return true;
                }
            }
        }
        catch (Exception e) {
            return false;
        }
        return false;
    }
}

上述內(nèi)容就是Pig怎么實現(xiàn)關(guān)鍵詞匹配，你們學(xué)到知識或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識儲備，歡迎關(guān)注億速云行業(yè)資訊頻道。