Pig 实现关键词匹配
1. 问题描述
收集日志avro数据中有两个Map字段appInstall、appUse分别表示已安装的app、正在使用的app,且key值为app的名称,value值为app使用信息。现在要得到一份匹配上购物类app支付宝|京东|淘宝|天猫的用户名单;MapReduce 解决办法如下:
public static class M extends Mapper<String, Pair, String, Text> {
	Text text = new Text();
	@SuppressWarnings("unchecked")
	@Override
	protected void map(String key, Pair value, Context context) throws IOException, InterruptedException {
		Map data = value.fields.data;
		String dvc = data.get("dvc").toString();
		Map<String, Object> appInstall = (Map<String, Object>) data.get("appInstall");
		Map<String, Object> appUse = (Map<String, Object>) data.get("appUse");
		for(String app: appInstall.keySet()) {
			if(app.matches("支付宝|京东|淘宝|天猫")) {
				text.set(appInstall.keySet().toString());
				context.write(dvc, text);
				return;
			}
		}
		for(String app: appUse.keySet()) {
			if(app.matches("支付宝|京东|淘宝|天猫")) {
				text.set(appUse.keySet().toString());
				context.write(dvc, text);
				return;
			}
		}
	}
}
但是,如果要匹配游戏类的app、金融类的app类呢?如果匹配关键词发生了变化呢?显然,我们应该将匹配关键词开放成API,可以自由地匹配正则表达式。这时,pig派上了用场。
2. Bag正则匹配
A = load '/<path>/<to>' using org.apache.pig.piggybank.storage.avro.AvroStorage();
-- A: {key: chararray,value: (fields: (data: map[]))}
B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];
-- B: {dvc: bytearray,ins: map[],use: map[]}
C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;
-- C: {dvc: bytearray,insk: {(chararray)},usek: {(chararray)}}
在上述代码中,load 数据转换得到bag类型的app-set(insk与usek);但是,应如何遍历bag中的tuple与正则表达式做匹配呢?答案是UDF。
Apache DataFu Pig 提供了丰富的UDF,其中关于bags的UDF可以参看这里。TupleFromBag 提供根据index从bag提取tuple,支持三个输入参数。依葫芦画瓢,遍历bag匹配正则表达式的UDF如下:
package com.pig.udf.bag;
/**
 * This UDF will return true if one tuple from a bag matches regex.
 *
 *  There are two input parameter:
 *  	1. DataBag
 *  	2. Regex String
 */
public class BagMatchRegex extends FilterFunc {
	@Override
	public Boolean exec(Tuple tinput) throws IOException {
		try{
			DataBag samples = (DataBag) tinput.get(0);
			String regex = (String) tinput.get(1);
			for (Tuple tuple : samples) {
				if(((String) tuple.get(0)).matches(regex)){
					return true;
				}
			}
		}
		catch (Exception e) {
			return false;
		}
		return false;
	}
}
其中,FilterFunc为过滤UDF的基类,继承于EvalFunc<Boolean>,即exec(Tuple tinput)的返回值必为Boolean类型。bag正则匹配的pig脚本如下:
REGISTER ../piglib/udf-0.0.1-SNAPSHOT-jar-with-dependencies.jar
define BagMatchRegex com.pig.udf.bag.BagMatchRegex();
A = load '/user/../current/*.avro' using org.apache.pig.piggybank.storage.avro.AvroStorage();
B = foreach A generate value.fields.data#'dvc' as dvc, value.fields.data#'appInstall' as ins:map[], value.fields.data#'appUse' as use:map[];
C = foreach B generate dvc, KEYSET(ins) as insk, KEYSET(use) as usek;
D = filter C by BagMatchRegex(insk, '支付宝|京东|淘宝|天猫') or BagMatchRegex(usek, '支付宝|京东|淘宝|天猫');
3. 优化
还有没有可以做优化的地方呢?我们先来看看pig中的KEYSET实现:
package org.apache.pig.builtin;
public class KEYSET extends EvalFunc<DataBag> {
    private static final TupleFactory TUPLE_FACTORY = TupleFactory.getInstance();
    @SuppressWarnings("unchecked")
    @Override
    public DataBag exec(Tuple input) throws IOException {
        if(input == null || input.size() == 0) {
            return null;
        }
        Map<String, Object> m = null;
        // Input must be of type Map. This is verified at compile time
        m = (Map<String, Object>)(input.get(0));
        if(m == null) {
            return null;
        }
        DataBag bag = new NonSpillableDataBag(m.size());
        for (String s : m.keySet()) {
            Tuple t = TUPLE_FACTORY.newTuple(s);
            bag.add(t);
        }
        return bag;
    }
    ...
}
需要指出的一点——pig的map数据类型是由Java类Map<String, Object>实现的。从KEYSET源码中可以看出在调用时已经将map遍历了一次,然后在调用BagMatchRegex时又需要将key-set的bag再遍历一次。其实,完全可以只用一次遍历做map-key值的正则匹配:
package com.pig.udf.map;
/**
 * This UDF will return true if map's key matches regex.
 *
 *  There are two input parameter:
 *  	1. Map
 *  	2. Regex String
 */
public class KeyMatchRegex extends FilterFunc {
	@SuppressWarnings("unchecked")
	@Override
	public Boolean exec(Tuple input) throws IOException
	{
		try{
			Map<String, Object> m = null;
	        // Input must be of type Map. This is verified at compile time
	        m = (Map<String, Object>)(input.get(0));
			String regex = (String) input.get(1);
			for (String key : m.keySet()) {
				if(key.matches(regex)){
					return true;
				}
			}
		}
		catch (Exception e) {
			return false;
		}
		return false;
	}
}
												
											Pig 实现关键词匹配的更多相关文章
- 关键词匹配(Ac自动机模板题)
		
2772: 关键词匹配 Time Limit: 1 Sec Memory Limit: 128 MBSubmit: 10 Solved: 4[Submit][Status][Web Board] ...
 - PHP中文关键词匹配
		
关键词匹配是比较常见的需求,如留言.弹幕及游戏聊天中的敏感词过滤,都需要对一段文字进行关键词匹配.提取到关键词后,再做进一步处理. 本类借助PHP高效的数组和mbstring扩展,来实现对中文关键词的 ...
 - DFA  算法实现关键词匹配
		
起因: 从网页中爬去的页面.须要推断是否跟预设的关键词匹配(是否包括预设的关键词),并返回全部匹配到的关键词 . 眼下pypi 上两个实现 ahocorasick https://pypi.pytho ...
 - jQuery的搜索关键词自动匹配插件
		
相信许多人都会用过搜索栏自动匹配关键词的功能,无论是像google的专业搜索引擎,还是普通的网站,现在许多都用上了这种关键词匹配技术,本文介绍的用jQuery实现的关键词匹配技术,当然要整合到自己的系 ...
 - 【转载】Pig语法进阶
		
转自:http://www.cnblogs.com/siwei1988/archive/2012/08/06/2624912.html Pig Latin是一种数据流语言,变量的命名规则同java中变 ...
 - php关键词替换的类(避免重复替换,保留与还原原始链接)
		
转载:http://www.169it.com/blog_article/601549531.html 本节主要内容:一个关键词替换的类 主要可以用于关键词过滤,或关键词查找替换方面. 实现过程分析: ...
 - JS批量替换内容中关键词为超链接,避开已存在的链接和alt、title中的关键词
		
懂点seo的人都知道要给内容中关键词加上链接,形成站内锚文本链接,这对seo有很大的帮助. 思路就是在数据库中录入若干个关键词和关键词对应的链接,当然链接可以根据关键词的id自动生成,或者直接用关键词 ...
 - springboot+lucene实现公众号关键词回复智能问答
		
一.场景简介 最近在做公众号关键词回复方面的智能问答相关功能,发现用户输入提问内容和我们运营配置的关键词匹配回复率极低,原因是我们采用的是数据库的Like匹配. 这种模糊匹配首先不是很智能,而且也没有 ...
 - sql的匹配和正则表达式
		
1. 匹配:like 关键字 #假设存在表 my_test_copy select * from my_test_copy; 则使用like关键词匹配:注意下划线 '_'和百分号 '%' # 下划线' ...
 
随机推荐
- storysnail的Linux串口编程笔记
			
storysnail的Linux串口编程笔记 作者 He YiJun – storysnail<at>gmail.com 团队 ls 版权 转载请保留本声明! 本文档包含的原创代码根据Ge ...
 - Metro UI 菜单(Winform)
			
我有个项目需要要到菜单导航,就自己动作做了一个,感觉还可以,分享给大家.下载地址:http://files.cnblogs.com/files/dyj057/MetroUIMenu.zip 主要代码: ...
 - IEnumerable<IEnumerable<string>>结构解析通用解决方案(支持指定属性顺序)
			
一.前言 类似如下字符串 "ID", "NameValue", "CodeValue", "ExchangeTypeValue&q ...
 - 位运算(&)实现分享弹窗上的图标动态显示/隐藏
			
一 需求 要求自定义弹窗,上面动态显示多种分享平台,根据后台api接口传递过来的type控制显示哪些平台icon 1 定义平台变量,用2的几次方来定value 2 若要显示那 ...
 - Mac中体验ASP.NET 5 beta2的K gen代码生成
			
ASP.NET 5 beta2中增加了一个新特性(详见ASP.NET 5 Beta2 发布),可以通过K命令生成MVC的代码,比如:k gen controller -name HomeControl ...
 - 通过Measure & Arrange实现UWP瀑布流布局
			
简介 在以XAML为主的控件布局体系中,有用于完成布局的核心步骤,分别是measure和arrange.继承体系中由UIElement类提供Measure和Arrange方法,并由其子类Framewo ...
 - Qt QT_BEGIN_NAMESPACE
			
问题 阅读Qt的Demo源码的时候,经常在头文件中, 声明类型的部分有以下这样的代码: class MyClassA; ///< 自定义类的声明 QT_BEGIN_NAMESPACE class ...
 - Sizeof的计算看内存分配
			
本文记录了有关sizeof的一些计算,主要有下面的四种情况:(如有错误,敬请留言) 使用sizeof()计算普通变量所占用的内存空间 sizeof计算类对象所占用空间的大小-用到了字节对齐 sixeo ...
 - tomcat项目无法发布异常,Could not copy all resources to .........(转)
			
[plain] <span style="font-size:18px;">Deployment failure on Tomcat 6.x. Could not c ...
 - 已经为类型参数“Chart”指定了 constraint 子句。必须在单个 where 子句中指定类型参数的所有约束
			
public abstract class FillWorkBook<TModel, Chart> where TModel : struct where Chart : new() wh ...