我昨天开始使用 Pig 来获得工作机会,我以前从未使用过它,并且必须为下周生产一些东西。我还没有设法安装它,但正在努力......
同时,我尝试学习使用 Pig Latin,并制作了一些东西,但我无法测试它。
我正在使用的数据格式为 user_name|Country|movie|director,每次用户观看电影时,文件中都会有一个新条目,一个文件代表 1 天。
我想做的是创建一个“用户资料”,说明用户的前 5 部电影、前 5 名导演以及用户每天观看的电影数量。
我编码的内容:
daily_watch=LOAD '$docs_in' USING PigStorage('|') AS (user_id:int,country:chararray,director_id:int,movie_id:int)
users=GROUP daily_watch BY (user_id);
number_of_watch= FOREACH users GENERATE group, COUNT(daily_watch) AS total;
STORE number_of_watch INTO "$number_of_watch"
--at this point I want number of watch = (user_id,number_film_watched)
directors_and_users = GROUP daily_watch BY (user_id,director_id);
top_directors= FOREACH directors_and_users GENERATE
user_id
group
COUNT(daily_watch) AS total_director;
top5_directors= FOREACH top_directors {
sorted = order directors_and_users by total_directors desc;
top5= limit sorted 5;
GENERATE FLATTEN(top5);
};
STORE top_director INTO "$top5_directors"
--at this point I want top5_directors=(user_id,{user_id,director_id},number_of_movie_seen_from_director)
movies_directors_users= GROUP daily_watch BY (user_id,movie_id,director_id);
top_movies = FOREACH movies_directors_users GENERATE
user_id
group
COUNT(daily_watch) AS total_movies
;
top5_movies= FOREACH top_movies {
sorted=order movies_directors_users by total_movies desc;
top5=limit sorted 5;
GENERATE FLATTEN(top5);
}
--at this point, I want top5_movies=(user_id,{user_id,director_id,movie_id},number_of_times_movie_seen)
STORE top5_movies INTO "$top5_movies"
output= FOREACH users GENERATE AppendToBag(top5_movies.$1,top5_movies.$2,top5_directors.$1,top5_directors.$2)
-- now I want to have output=(user_id,{user_id,director_id,movie_id},number_of_times_movie_seen,{user_id,director_id},number_of_movie_seen_from_director)
我的代码有什么明显的错误吗?我走的好吗?我正在尝试将此代码嵌入到 python 中(我已经编写了 python 部分)。
另外,有没有一种简单的方法来测试我的代码?(我写了一些 txt 文件来测试,但我很难在我的电脑上安装 hadoop 和 pig(我有 Windows 7)。
非常感谢您的帮助 !