拆分输入到子猪（Hadoop的）

Question

假设我有猪以下输入：

some 

，我想将其转换成：

s 
so 
som 
some 

我还没有（还）找到了一种在拉丁语中迭代chararray的方法。我已经找到了TOKENIZE函数，但它在字边界上分裂。 那么“猪拉丁”可以这样做还是这需要Java类来做到这一点？

Answer 1

Niels， TOKENIZE带有一个分隔符参数，所以你可以使它分开每个字母;但我想不出一种方法来使重叠令牌。

虽然在Pig中编写UDF非常简单。您只需实现一个名为EvalFunc的简单接口（详情请见：http://wiki.apache.org/pig/UDFManual）。 Pig是围绕用户编写自己的函数来处理大多数事情的想法而建立的，因此编写自己的UDF是一件常见的自然事情。

一个更简单的选择，虽然效率不高，但是使用Pig流式传输来通过脚本传递数据（我发现快速的Perl或Python脚本要比实现一次性作业的Java类更快） 。这里有一个例子：http://www.cloudera.com/blog/2009/06/17/analyzing-apache-logs-with-pig/ - 它演示了一个预先存在的库，一个Perl脚本，一个UDF，甚至一个即时awk脚本的使用。

Answer 2

这里是你如何与猪流和蟒蛇做没有编写自定义的UDF：

假设你的数据仅仅是1字列。该Python脚本（可以称之为wordSeq.py）来处理的事情是：

#!/usr/bin/python 
### wordSeq.py ### [don't forget to chmod u+x wordSeq.py !] 
import sys 
for word in sys.stdin: 
    word = word.rstrip() 
    sys.stdout.write('\n'.join([word[:i+1] for i in xrange(len(word))]) + '\n') 

然后，在你的猪脚本，你告诉猪你正在使用上述脚本，并要运送您的脚本流如有必要：

-- wordSplitter.pig --- 
DEFINE CMD `wordSeq.py` ship('wordSeq.py'); 
W0 = LOAD 'words'; 
W = STREAM W0 THROUGH CMD as (word: chararray); 

Answer 3

使用piggybank库。

http://hadoop.apache.org/pig/docs/r0.7.0/api/org/apache/pig/piggybank/evaluation/string/SUBSTRING.html

使用这样的：

REGISTER /path/to/piggybank.jar; 
DEFINE SUBSTRING org.apache.pig.piggybank.evaluation.string.SUBSTRING(); 

OUTPUT = FOREACH INPUT GENERATE SUBSTRING((chararray)$0, 0, 10);