0

我需要在 Pig 中处理一个数据集，该数据集每天午夜可用一次。因此，我有一个 Oozie 协调员负责安排日程，并在每天 00:00 产生一个工作流。文件名遵循 URI 方案

hdfs://${dataRoot}/input/raw${YEAR}${MONTH}${DAY}${HOUR}.avro

其中 ${HOUR} 始终为“00”。

数据集中的每个条目都包含一个 UNIX 时间戳，我想过滤掉那些在晚上 11:45（23:45）之前具有时间戳的条目。由于我需要在过去的数据集上运行，定义阈值的时间戳值需要根据当前处理的日期动态设置。例如，处理 2013 年 12 月 12 日的数据集需要阈值 1418337900。因此，设置阈值必须由协调器完成。

据我所知，在 EL 中不可能将格式化日期转换为 UNIX 时间戳。我想出了一个非常老套的解决方案：协调器将阈值的日期和时间传递给启动 Pig 脚本的参数化实例的相应工作流。

coordinator.xml 的摘录：

<property>
    <name>threshold</name>
    <value>${coord:formatTime(coord:dateOffset(coord:nominalTime(), -15, 'MINUTE'), 'yyyyMMddHHmm')}</value>
</property>

workflow.xml 的摘录：

<action name="foo">
    <pig>
        <job-tracker>${jobTracker}</job-tracker>
        <name-node>${nameNode}</name-node>
        <script>${applicationPath}/flights.pig</script>
        <param>jobInput=${jobInput}</param>
        <param>jobOutput=${jobOutput}</param>
        <param>threshold=${threshold}</param>
    </pig>
    <ok to="end"/>
    <error to="error"/>
</action>

Pig 脚本需要将此格式化的日期时间转换为 UNIX 时间戳。因此，我写了一个 UDF：

public class UnixTime extends EvalFunc<Long> {

    private long myTimestamp = 0L;

    private static long convertDateTime(String dt, String format)
            throws IOException {
        DateFormat formatter;
        Date date = null;
        formatter = new SimpleDateFormat(format);
        try {
            date = formatter.parse(dt);
        } catch (ParseException ex) {
            throw new IOException("Illegal Date: " + dt + " format: " + format);
        }
        return date.getTime() / 1000L;
    }

    public UnixTime(String dt, String format) throws IOException {
        myTimestamp = convertDateTime(dt, format);
    }

    @Override
    public Long exec(Tuple input) throws IOException {
        return myTimestamp;
    }

}

在 Pig 脚本中，创建了一个宏，使用协调器/工作流的输入初始化 UDF。然后，您可以过滤时间戳。

DEFINE THRESH mystuff.pig.UnixTime('$threshold', 'yyyyMMddHHmm');
d = LOAD '$jobInput' USING PigStorage(',') AS (time: long, value: chararray);
f = FILTER d BY d <= THRESH();
...

我遇到的问题引出了一个更普遍的问题，是否可以在 Pig 中转换输入参数并再次将其用作某种常量。有没有更好的方法来解决这个问题，还是我的方法不必要地复杂？

编辑：TL；DR

经过更多搜索后，我发现有人遇到同样的问题： http: //grokbase.com/t/pig/user/125gszzxnx/survey-where-are-all-the-udfs-and-macros

感谢 Gaurav 在 piggybank 中推荐 UDF。如果不使用declare和 shell 脚本，似乎没有高性能的解决方案。

4

1 回答 1

0

您可以将 Pig 脚本放入 Python 脚本并传递值。

#!/usr/bin/python
import sys
import time

from org.apache.pig.scripting import Pig



P = Pig.compile("""d = LOAD '$jobInput' USING PigStorage(',') AS (time: long, value: chararray);
f = FILTER d BY d <= '$thresh';
""")

jobinput = {whatever you defined}
thresh = {whatever you defined in the UDF}
Q = P.bind({'thresh':thresh,'jobinput':jobinput})
results = Q.runSingle()
if results.isSuccessful() == "FAILED":
         raise "Pig job failed"
于 2014-09-10T18:16:40.460 回答