如何在Pig中转换参数

Question

我需要在Pig中处理一个数据集，该数据集每天午夜可用一次。因此，我有一个Oozie协调员，负责日程安排，并在每天00:00生成一个工作流。文件名遵循URI方案

hdfs://${dataRoot}/input/raw${YEAR}${MONTH}${DAY}${HOUR}.avro

其中${HOUR}总是"00"。

数据集中的每个条目都包含一个UNIX时间戳，我想过滤掉那些在晚上11:45（23:45）之前有时间戳的条目。由于我需要在过去的数据集上运行，因此需要根据当前处理的日期动态设置定义阈值的时间戳值。例如，从2013年12月12日开始处理数据集需要阈值1418337900。因此，必须由协调器来设置阈值。

据我所知，在EL中不可能将格式化的日期转换为UNIX时间戳。我想出了一个非常巧妙的解决方案：协调器将阈值的日期和时间传递给相应的工作流，该工作流启动Pig脚本的参数化实例。

coordinator.xml摘录：

<property>
    <name>threshold</name>
    <value>${coord:formatTime(coord:dateOffset(coord:nominalTime(), -15, 'MINUTE'), 'yyyyMMddHHmm')}</value>
</property>

workflow.xml摘录：

<action name="foo">
    <pig>
        <job-tracker>${jobTracker}</job-tracker>
        <name-node>${nameNode}</name-node>
        <script>${applicationPath}/flights.pig</script>
        <param>jobInput=${jobInput}</param>
        <param>jobOutput=${jobOutput}</param>
        <param>threshold=${threshold}</param>
    </pig>
    <ok to="end"/>
    <error to="error"/>
</action>

Pig脚本需要将此格式化的日期时间转换为UNIX时间戳。为此，我编写了一个UDF:

public class UnixTime extends EvalFunc<Long> {
    private long myTimestamp = 0L;
    private static long convertDateTime(String dt, String format)
            throws IOException {
        DateFormat formatter;
        Date date = null;
        formatter = new SimpleDateFormat(format);
        try {
            date = formatter.parse(dt);
        } catch (ParseException ex) {
            throw new IOException("Illegal Date: " + dt + " format: " + format);
        }
        return date.getTime() / 1000L;
    }
    public UnixTime(String dt, String format) throws IOException {
        myTimestamp = convertDateTime(dt, format);
    }
    @Override
    public Long exec(Tuple input) throws IOException {
        return myTimestamp;
    }
}

在Pig脚本中，创建了一个宏，使用协调器/工作流的输入初始化UDF。然后，您可以过滤时间戳。

DEFINE THRESH mystuff.pig.UnixTime('$threshold', 'yyyyMMddHHmm');
d = LOAD '$jobInput' USING PigStorage(',') AS (time: long, value: chararray);
f = FILTER d BY d <= THRESH();
...

我遇到的问题让我想到了一个更普遍的问题，如果可以转换Pig中的输入参数，并将其再次用作某种常量。有没有更好的方法来解决这个问题，或者我的方法是否不必要地复杂？

编辑：TL；DR

经过更多的搜索，我发现有人有同样的问题：http://grokbase.com/t/pig/user/125gszzxnx/survey-where-are-all-the-udfs-and-macros

感谢Gaurav推荐存钱罐中的UDF。如果不使用声明和shell脚本，似乎就没有高性能的解决方案。

Answer 1

您可以将Pig脚本放入Python脚本中并传递值。

#!/usr/bin/python
import sys
import time
from org.apache.pig.scripting import Pig

P = Pig.compile("""d = LOAD '$jobInput' USING PigStorage(',') AS (time: long, value: chararray);
f = FILTER d BY d <= '$thresh';
""")
jobinput = {whatever you defined}
thresh = {whatever you defined in the UDF}
Q = P.bind({'thresh':thresh,'jobinput':jobinput})
results = Q.runSingle()
if results.isSuccessful() == "FAILED":
         raise "Pig job failed"