此文章是vip文章,如何查看?  

1,点击链接获取密钥 http://nicethemes.cn/product/view29882.html

2,在下方输入文章查看密钥即可立即查看当前vip文章


如何给Apache Pig自定义UDF函数?

  • 时间:
  • 浏览:
  • 来源:互联网
近日由于工作所需,需要使用到Pig来分析线上的搜索日志数据,散仙本打算使用hive来分析的,但由于种种原因,没有用成,而Pig(pig0.12-cdh)散仙一直没有接触过,所以只能临阵磨枪了,花了两天时间,大致看完了pig官网的文档,在看文档期间,也是边实战边学习,这样以来,对pig的学习,会更加容易,当然本篇不是介绍如何快速学好一门框架或语言的文章,正如标题所示,散仙打算介绍下如何在Pig中,使用用户自定义的UDF函数,关于学习经验,散仙会在后面的文章里介绍。 



一旦你学会了UDF的使用,就意味着,你可以以更加灵活的方式来使用Pig,使它扩展一些为我们的业务场景定制的特殊功能,而这些功能,在通用的pig里是没有的,举个例子: 

你从HDFS上读取的数据格式,如果使用默认的PigStorage()来加载,存储可能只支持有限的数据编码和类型,如果我们定义了一种特殊的编码存储或序列化方式,那么当我们使用默认的Pig来加载的时候,就会发现加载不了,这时候我们的UDF就派上用场了,我们只需要自定义一个LoadFunction和一个StoreFunction就可以解决,这种问题。 


本篇散仙根据官方文档的例子,来实战一下,并在hadoop集群上使用Pig测试通过: 
我们先来看下定义一个UDF扩展类,需要几个步骤: 
序号 步骤 说明
1 在eclipse里新建一个java工程,并导入pig的核心包 java项目
2 新建一个包,继承特定的接口或类,重写自定义部分 核心业务
3 编写完成后,使用ant打包成jar 编译时需要pig依赖,但不用把pig的jar包打入UDF中
4 把打包完成后的jar上传到HDFS上 pig运行时候需要加载使用
5 在pig脚本里,注册我们自定义的udf的jar包 注入运行时环境
6 编写我们的核心业务pig脚本运行 测试是否运行成功


项目工程截图如下: 

 



核心代码如下: 
Java代码  收藏代码
  1. package com.pigudf;  
  2.   
  3. import java.io.IOException;  
  4.   
  5. import org.apache.pig.EvalFunc;  
  6. import org.apache.pig.data.Tuple;  
  7. import org.apache.pig.impl.util.WrappedIOException;  
  8. /** 
  9.  * 自定义UDF类,对字符串转换大写 
  10.  * @author qindongliang 
  11.  * */  
  12. public class MyUDF extends EvalFunc<String> {  
  13.   
  14.     @Override  
  15.     public String exec(Tuple input) throws IOException {  
  16.           
  17.          //判断是否为null或空,就跳过  
  18.         if(input==null||input.size()==0){  
  19.             return null;  
  20.         }  
  21.         try{  
  22.             //获取第一个元素  
  23.             String str=(String) input.get(0);  
  24.             //转成大写返回  
  25.             return str.toUpperCase();  
  26.               
  27.         }catch(Exception e){  
  28.             throw WrappedIOException.wrap("Caught exception processing input row ",e);  
  29.         }  
  30.     }  
  31.       
  32.   
  33. }  


关于打包的ant脚本,散仙会在文末上传附件,下面看下造的一些测试数据(注意,文件一定要上传到HDFS上,除非你是local模式): 
Java代码  收藏代码
  1. grunt> cat s.txt  
  2. zhang san,12  
  3. Song,34  
  4. long,34  
  5. abC,12  
  6. grunt>   



我们在看下,操作文件和jar包是放在一起的: 
Java代码  收藏代码
  1. grunt> ls  
  2. hdfs://dnode1:8020/tmp/udf/pudf.jar<r 3>        1295  
  3. hdfs://dnode1:8020/tmp/udf/s.txt<r 3>   36  
  4. grunt>   


最后,我们看下pig脚本的定义: 
Pig代码  收藏代码
  1. --注册自定义的jar包  
  2. REGISTER pudf.jar;   
  3. --加载测试文件的数据,逗号作为分隔符  
  4. a = load 's.txt' using PigStorage(',');     
  5. --遍历数据,对name列转成大写  
  6. b =  foreach a generate com.pigudf.MyUDF((chararray)$0);   
  7. --启动MapReduce的Job进行数据分析  
  8. dump b  

最后,我们看下结果,只要过程不出现异常和任务失败,就证明我们的udf使用成功: 

Java代码  收藏代码
  1. Counters:  
  2. Total records written : 4  
  3. Total bytes written : 64  
  4. Spillable Memory Manager spill count : 0  
  5. Total bags proactively spilled: 0  
  6. Total records proactively spilled: 0  
  7.   
  8. Job DAG:  
  9. job_1419419533357_0147  
  10.   
  11.   
  12. 2014-12-30 18:10:24,394 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success!  
  13. 2014-12-30 18:10:24,395 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS  
  14. 2014-12-30 18:10:24,396 [main] INFO  org.apache.pig.data.SchemaTupleBackend - Key [pig.schematuple] was not set... will not generate code.  
  15. 2014-12-30 18:10:24,405 [main] INFO  org.apache.hadoop.mapreduce.lib.input.FileInputFormat - Total input paths to process : 1  
  16. 2014-12-30 18:10:24,405 [main] INFO  org.apache.pig.backend.hadoop.executionengine.util.MapRedUtil - Total input paths to process : 1  
  17. (ZHANG SAN,12)  
  18. (SONG,34)  
  19. (LONG,34)  
  20. (ABC,12)  

结果没问题,我们的UDF加载执行成功,如果我们还想将我们的输出结果直接写入到HDFS上,可以在pig脚本的末尾,去掉dump命令,加入 
store e into '/tmp/dongliang/result/'; 将结果存储到HDFS上,当然我们可以自定义存储函数,将结果写入数据库,Lucene,Hbase等关系型或一些NOSQL数据库里。





欢迎大家关注微信公众号:我是工程师(woshigcs),更多与攻城师息息相关的内容,尽在此处。 
二维码扫描: 



本文链接http://element-ui.cn/news/show-577141.aspx