6

Aタイムスタンプ、訪問者、URL を持つデータセット があります。

(2012-07-21T14:00:00.000Z, joe, hxxp:///www.aaa.com) 
(2012-07-21T14:01:00.000Z, mary, hxxp://www.bbb.com) 
(2012-07-21T14:02:00.000Z, joe, hxxp:///www.aaa.com)

URL ごとのユーザーごとの訪問数を、たとえば 10 分の時間枠で測定したいのですが、分単位で増加するローリング ウィンドウとして測定したいと考えています。出力は次のようになります。

(2012-07-21T14:00 to 2012-07-21T14:10, joe, hxxp://www.aaa.com, 2)
(2012-07-21T14:01 to 2012-07-21T14:11, joe, hxxp://www.aaa.com, 1)

計算を簡単にするために、次のようにタイムスタンプを分に変更します。

(840, joe, hxxp://www.aaa.com) /* 840 = 14:00 hrs x 60 + 00 mins) */

移動時間枠で「A」を反復処理するために、1 日の分のデータセット B を作成します。

(0)
(1)
(2)
.
.
.
.
(1440)

理想的には、次のようなことをしたい:

A = load 'dataset1' AS (ts, visitor, uri)
B = load 'dataset2' as (minute)

foreach B {
C = filter A by ts > minute AND ts < minute + 10;
D = GROUP C BY (visitor, uri);
foreach D GENERATE group, count(C) as mycnt;
}

DUMP B;

「FOREACH」ループ内で「GROUP」が許可されていないことは知っていますが、同じ結果を達成するための回避策はありますか?

ありがとう！

4

2 に答える 2

2

多分あなたはこのようなことをすることができますか？

注:これは、整数であるログに対して作成する分数に依存します。そうでない場合は、最も近い分に丸めることができます。

myudf.py

#!/usr/bin/python

@outputSchema('expanded: {(num:int)}')
def expand(start, end):
        return [ (x) for x in range(start, end) ]

myscript.pig

register 'myudf.py' using jython as myudf ;

-- A1 is the minutes. Schema:
-- A1: {minute: int}
-- A2 is the logs. Schema:
-- A2: {minute: int,name: chararray}
-- These schemas should change to fit your needs.

B = FOREACH A1 GENERATE minute, 
                        FLATTEN(myudf.expand(minute, minute+10)) AS matchto ;
-- B is in the form:
-- 1 1
-- 1 2
-- ....
-- 2 2
-- 2 3
-- ....
-- 100 100
-- 100 101
-- etc.

-- Now we join on the minute in the second column of B with the 
-- minute in the log, then it is just grouping by the minute in
-- the first column and name and counting
C = JOIN B BY matchto, A2 BY minute ;
D = FOREACH (GROUP C BY (B::minute, name)) 
            GENERATE FLATTEN(group), COUNT(C) as count ;

大きなログの速度が少し心配ですが、うまくいくはずです。何か説明が必要な場合はお知らせください。

于 2013-08-01T21:52:45.323 に答える
0 
A = load 'dataSet1' as (ts, visitor, uri);
houred = FOREACH A GENERATE user, org.apache.pig.tutorial.ExtractHour(time) as hour, uri;
hour_frequency1 = GROUP houred BY (hour, user);

このようなものは、ExtractHour が UDF であるのに役立つはずです。必要な Duration に似たものを作成できます。次に、Hour でグループ化し、次に User Your でグループ化して、GENERATE を使用してカウントを行うことができます。

http://pig.apache.org/docs/r0.7.0/tutorial.html

于 2013-08-01T21:06:38.130 に答える