通过Pig实现关键词匹配

Apache Pig是一个分析大型数据集的平台，它由表达数据分析程序的高级语言和评估这些程序的基础设施组成。Pig程序的突出特性是其结构可以进行大量的并行化，进而使其能够处理非常大的数据集。

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 {
   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 appInstall = (Map) data.get("appInstall");
       Map appUse = (Map) 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 '//' 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，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 {
   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 m = null;
       // Input must be of type Map. This is verified at compile time
       m = (Map)(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 m = null;            // Input must be of type Map. This is verified at compile time            m = (Map)(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;    } }