Pig UDF - Return 动态模式作为一组字段（不是元组）

Question

在 GROUP BY + FLATTEN 之后，我有一个带有命名空间的数据：

DESCRIBE users;
users: {user_id: int, group_id: int, registration_timestamp: int}

users_with_namespace = FOREACH (GROUP users BY group_id) {
    first_to_latest = ORDER users BY registration_timestamp ASC;
    first_user = LIMIT first_to_latest 1;
    GENERATE FLATTEN(first_user);
};

DESCRIBE users_with_namespace;
users_with_namespace: {first_user::user_id: int, first_user::group_id: int, first_user::registration_timestamp: int}

我希望能够做类似的事情：

users = myudf.strip_namespace(users_with_namespace);

或（因为这似乎不可能）：

users = FOREACH (GROUP users_with_namespaceALL) 
GENERATE myudf.strip_namespace(users_with_namespace);

结果为：

> DESCRIBE users;
users: {user_id: int, registration_timestamp: int}

我写了一个 Jython Pig UDF，它应该可以去除任何名称空间的字段名称，但我似乎无法从我的 UDF 中 return 一组字段。只有 Bag/Tuple/Single 字段是可能的，这给我留下了这样的结果：

DESCRIBE users;
users: {t: (user_id: int, registration_timestamp: int)}

有没有办法省略't'和return一个list/set字段？我的 UDF 如下所示：

@outputSchemaFunction("tupleSchema")
def strip_namespace(input):
    return input


@schemaFunction("tupleSchema")
def tupleSchema(input):
    fields = []
    dt = []
    for i in input.getField(0).schema.getFields():
        for field in i.schema.getFields():
            fields.append(field.alias.split("::")[-1])
            dt.append(field.type)
    return SchemaUtil.newTupleSchema(fields, dt)

到目前为止我用过[=18=]

FOREACH .. GENERATE namespace::field as field, ...

剥离命名空间，但这种方法对于字段很多的数据集来说真的很乏味。

Answer 1

不幸的是你不能，至少现在不能。问题正是你所说的：现在你只能 return 一个元组、一个包或一个字段。我在 2 个月前创建了一个 JIRA issue 以允许 return 这个场景的多个字段，但还没有回复......

我真的希望他们将来能实现这一点，因为当您必须执行许多联接时，您最终会使用比实际代码更多的 FOREACH 语句来重命名字段。

Pig UDF - Return 动态模式作为一组字段（不是元组）

Pig UDF - Return dynamic schema as a set of fields (not tuple)

apache-pig

jython

user-defined-functions