使用 PigLatin 删除重复项并保留最后一个元素

Question

我正在使用 PigLatin。我想从包中删除重复项并希望保留特定键的最后一个元素。

Input:
User1  7 LA 
User1  8 NYC 
User1  9 NYC 
User2  3 NYC
User2  4 DC 


Output:
User1  9 NYC 
User2  4 DC

这里第一个字段是一个key。我希望在输出中保留该特定键的最后一条记录。

我知道如何保留第一个元素。如下所示。但无法保留最后一个元素。

inpt = load '......' ......;
user_grp = GROUP inpt BY [=11=];
filtered = FOREACH user_grp {
      top_rec = LIMIT inpt 1;
      GENERATE FLATTEN(top_rec);
};

有人可以帮我解决这个问题吗？提前致谢！

Answer 1

好的..您可以使用 RANK 运算符。

希望以下代码对您有所帮助。

 rec = LOAD '/user/cloudera/inputfiles/sample.txt' USING PigStorage(',') AS(user:chararray,no:int,loc:chararray);
 rec_rank = rank rec;                                                                                     
 rec_rank_each = FOREACH rec_rank GENERATE [=10=] as rank_key, user, no, loc;                                 
 rec_rank_grp = GROUP rec_rank_each by user; 
 rec_rank_max = FOREACH rec_rank_grp GENERATE group as temp_user, MAX(rec_rank_each.rank_key) as max_rank;
 rec_join = JOIN rec_rank_each BY (user,rank_key) , rec_rank_min BY(temp_user,max_rank);
 rec_output = FOREACH rec_join GENERATE user,no,loc;
 dump rec_output;

确保你运行这个来自 pig 0.11 版本的排名运算符是从 pig 0.11

引入的

Answer 2

@Anil：如果您按降序排列其中一个字段。您将能够获得最后一条记录。在下面的代码中，已按输入的第二个字段排序（字段名称：脚本中没有）

输入：

User1,7,LA 
User1,8,NYC 
User1,9,NYC 
User2,3,NYC
User2,4,DC

猪片段:

user_details = LOAD 'user_details.csv'  USING  PigStorage(',') AS (user_name:chararray,no:long,city:chararray);

user_details_grp_user = GROUP user_details BY user_name;

required_user_details = FOREACH user_details_grp_user {
    user_details_sorted_by_no = ORDER user_details BY no DESC;
    top_record = LIMIT user_details_sorted_by_no 1;
    GENERATE FLATTEN(top_record);
}

输出：转储required_user_details

(User1,9,NYC )
(User2,4,DC)

使用 PigLatin 删除重复项并保留最后一个元素

Removing duplicates using PigLatin and retaining the last element

hadoop

duplicate-removal

apache-pig

datastage