Pig 的 UDF 中存在 "in" 会导致问题

Question

我在 pig 中尝试我的第一个 UDF 并编写了以下函数 -

package com.pig.in.action.assignments.udf;

import org.apache.pig.EvalFunc;
import org.apache.pig.PigWarning;
import org.apache.pig.data.Tuple;

import java.io.IOException;


public class CountLength extends EvalFunc<Integer> {

    public Integer exec(Tuple inputVal) throws IOException {

        // Validate Input Value ...
        if (inputVal == null ||
            inputVal.size() == 0 ||
            inputVal.get(0) == null) {

            // Emit warning text for user, and skip this iteration
            super.warn("Inappropriate parameter, Skipping ...",
                       PigWarning.SKIP_UDF_CALL_FOR_NULL);
            return null;
        }

        // Count # of characters in this string ...
        final String inputString = (String) inputVal.get(0);

        return inputString.length();

    }

}

但是，当我尝试按如下方式使用它时，Pig 会抛出一条错误消息，至少在我的 UDF 上下文中它不容易理解：

grunt> cat dept.txt;
10,ACCOUNTING,NEW YORK
20,RESEARCH,DALLAS
30,SALES,CHICAGO
40,OPERATIONS,BOSTON

grunt> dept = LOAD '/user/sgn/dept.txt' USING PigStorage(',') AS (dept_no: INT, d_name: CHARARRAY, d_loc: CHARARRAY);
grunt> d = FOREACH dept GENERATE dept_no, com.pig.in.action.assignments.udf.CountLength(d_name);

2015-06-02 16:24:13,416 [main] ERROR org.apache.pig.tools.grunt.Grunt - ERROR 1200: <line 2, column 79>  mismatched input '(' expecting SEMI_COLON
Details at logfile: /home/sgn/pig_1433261973141.log

谁能帮我弄清楚这是怎么回事？

我已经阅读了文档，但在我看来上面的示例中没有明显的错误。我在这里遗漏了什么吗？

这些是我在 pom.xml 中使用的库：

<dependency>
    <groupId>org.apache.pig</groupId>
    <artifactId>pig</artifactId>
    <version>0.14.0</version>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-core</artifactId>
    <version>1.2.1</version>
</dependency>

是否存在兼容性问题？

谢谢，

-Vipul Pathak;

Answer 1

试过上面的例子。只要使用 REGISTER 命令注册了 jar 并且 jar 在 classpath 中可用，我们就不会看到任何错误。

REGISTER myudfs.jar;
dept = LOAD 'a.csv' USING PigStorage(',') AS (dept_no: INT, d_name: CHARARRAY, d_loc: CHARARRAY);
d = FOREACH dept GENERATE dept_no, CountLength(d_name) as length;

输入：a.csv

10,ACCOUNTING,NEW YORK
20,RESEARCH,DALLAS
30,SALES,CHICAGO
40,OPERATIONS,BOSTON

输出：d

(10,10)
(20,8)
(30,5)
(40,10)

N.B。 : 在上面运行中 class CountLength 已经在默认包中定义。

如果此 class - CountLength 已在包中定义 com.pig.utility 那么要访问 UDF，我们必须有如下的 DEFINE 语句

DEFINE CountLength com.pig.utility.CountLength;

或

我们必须通过完整路径引用 UDF，如下所示：

d = FOREACH dept GENERATE dept_no, com.pig.utility.CountLength(d_name) as length;

Answer 2

您的 jar 应该已注册例如：

REGISTER /home/hadoop/udf.jar;  

DEFINE package.CountLength CountLength ;

Answer 3

停机约36小时后找到问题原因...

包名包含“IN”，这对 Pig 来说是个问题。

package com.pig.in.action.assignments.udf;
//              ^^

当我把包名改成下面的时候，一切都很好-

package com.pig.nnn.action.assignments.udf;
//              ^^^

构建修改后的 UDF 后，我注册了 Jar 并为函数名称和 bingo 定义了一个别名，一切正常 -

REGISTER /user/sgn/UDFs/Pig/CountLength-1.jar;
DEFINE  CL  com.pig.nnn.action.assignments.udf.CountLength;

.   .   .
.   .   .
d = FOREACH dept GENERATE dept_no, CL(d_name) AS DeptLength;

我不记得 IN 是否是 Pig 中的保留字。但是 IN 的存在仍然会导致问题，（至少在 Pig 的 0.14.0 版本中）。

Pig 的 UDF 中存在 "in" 会导致问题

Presence of "in" in Pig's UDF causes problems

hadoop

apache-pig

udf