我正在尝试使用PIG构建非结构化数据来进行一些处理。
这是数据样本:
Nov 1 18:23:34 dev_id=03 user_id=000 int_ip=198.0.13.24 ext_ip=68.67.0.14 src_port=99 dest_port=213 response_code=5
预期产量:
Nov 1 18:23:34, 03 , 000, 198.0.13.24, 68.67.0.14, 99, 213, 5
我们可以看到数据没有正确分隔(如tab或逗号),所以我尝试使用'\ t'加载数据并转储到终端上。
A = LOAD '----' using PigStorage('\t') as (mnth: chararray, day: int, --------);
dump A;
Store A into '\root\output';
输出:
转储输出:
(Nov,1,18:23:34,dev_id=03,user_id=000,int_ip=198.0.13.24,ext_ip=68.67.0.14,src_port=99,dest_port=213,response_code=5)
存储oputut:结果存储为与输入相同,而不是转储(逗号分隔)。
Nov 1 18:23:34 dev_id=03 user_id=000 int_ip=198.0.13.24 ext_ip=68.67.0.14 src_port=99 dest_port=213 response_code=5
替代方案:我还尝试使用DataStorage()作为(值:varchar)加载数据并执行TOKENIZE,但无法实现目标。
我需要的建议几乎没有:
是否可以使用PIG进行所有处理,或者我们需要编写MapReduce程序。
收到评论后,我尝试了单列的REGEX_EXTRACT,工作正常。对于多列,我尝试了如下REGEX_EXTRACT_ALL:
A = LOAD '----' using PigStorage('\t') as (mnth: chararray, day: int, dev: chararray, user: chararray --------);
B = foreach A generate REGEX_EXTRACT_All(devid, userid, '(^.*=(.*)$) (^.*=(.*)$)');
Dump B;
我收到了错误:
Error: ERROR org.apache.pig.tools.grunt.Grunt - ERROR 1070: Could not resolve REGEX_EXTRACT_All using imports.
我们可以使用REGEX_EXTRACT_All提取多个字段。
只需为您的数据编写自定义加载器,您就可以使用java轻松解决所有问题。 here可以找到一步一步的例子
因为我将3个字段存储为月份:“11月”,日:“1”,时间:“18:23:34”。是否有可能随着时间的推移加入所有三个领域:“11月1日18:23:34”。
你可以使用CONCAT
在FOREACH
中连接两个chararrays。在这种情况下(这有点尴尬,也许有人可以提出一个不需要UDF的替代方案):
CONCAT(CONCAT(CONCAT(CONCAT(mnth, ' '), day), ' '), 'time')
所有数据都存储有dev_id = 03,user_id = 000等信息但我需要删除信息并存储信息,如03,000,198.0.13.24等。
你应该使用REGEX_EXTRACT
这个,它提取一个给定正则表达式的文本。在FOREACH
中使用它。建立一个正则表达式,在=
之后抓住所有内容。在这种情况下:
REGEX_EXTRACT(field2, '^.*=(.*)$', 1);
其他一些选择:
REGEX_EXTRACT
和嵌套的CONCAT
。FOREACH
。我比编写自定义存储功能更喜欢这个,因为我认为它更容易一些。