在 pig latin 中选择行

Question

我有这样的数据：

(a,b,c)
(a,c,b)
(a,b,d)

是否有类似 DISTINCT 的东西会产生如下所示的输出？

(a,b,c)
(a,b,d)

我想忽略顺序，只比较元素。

Answer 1

No.Your 最好的选择是编写一个 UDF，它将获取每一行，对字段进行排序，return 一个有序的字符串，然后在其上使用 distinct。

小猪

REGISTER ORDER_UDF.jar;
A = LOAD 'data.txt' USING PigStorage(',') AS (a1: chararray, a2: chararray, a3: chararray);
B = FOREACH A GENERATE ORDER_UDF.ORDER(CONCAT(CONCAT(a1,a2),a3));
C = DISTINCT B;
D = FOREACH C GENERATE REPLACE([=10=],'',','); -- Get back the comma separated fields from the concatenated string.
DUMP D;

UDF

  import java.io.IOException;
  import java.util.Arrays;
  import org.apache.pig.EvalFunc;
  import org.apache.pig.data.Tuple;

   public class ORDER extends EvalFunc<String>
   {
     public String exec(Tuple input) throws IOException {
        if (input == null || input.size() == 0)
            return null;
        try{
            char tempArray[] = ((String)input).toCharArray();
            Arrays.sort(tempArray);       
            return new String(tempArray);
        }catch(Exception e){
            throw new IOException("Caught exception processing input row ", e);
        }
    }
  }

Answer 2

认为值得考虑，我建议读取数据并将其转换为包，对包进行排序和 select 不同的数据。

猪脚本:

inp_data = load 'input.csv' USING PigStorage(',') AS (field1:chararray,field2:chararray,field3:chararray);
req_data = FOREACH inp_data GENERATE TOBAG(field1,field2,field3) AS (b:bag{t:(token:chararray)});
sorted_data = FOREACH req_data {
                sorted = ORDER b BY token;
                GENERATE sorted AS (sorted_bag:bag{t:(token:chararray)}); 
}

req_data_fmt = DISTINCT(FOREACH sorted_data GENERATE BagToString(sorted_bag,','));

DUMP req_data_fmt;

在 pig latin 中选择行

Selecting rows in pig latin

apache-pig