欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

ruby和pig处理流式文件实例

程序员文章站 2022-05-25 22:30:27
大数据操作中涉及到数据清洗步奏还是用脚本处理比较方便,下边介绍一下pig加载hdfs文件后调用ruby脚本处理数据,再返回数据流至pig中处理的一个简单案例。 注意:ru...

大数据操作中涉及到数据清洗步奏还是用脚本处理比较方便,下边介绍一下pig加载hdfs文件后调用ruby脚本处理数据,再返回数据流至pig中处理的一个简单案例。

注意:ruby的流式处理用到wukong这个gem包,相关下载:
https://github.com/mrflip/wukong

pig中加载分布式文件调用ruby流式处理:

复制代码 代码如下:

log = load '$infile' using pigstorage('\t');

define tracking_parser `/usr/ruby parse_click.rb --map` ship('parse_click.rb', 'click_tracking.rb');

strmo = stream log through tra_parser;

store strmo into '$outfile' using pigstorage('\t');

复制代码 代码如下:

require 'wukong'
require 'json'
require './click_tra.rb'

module parseclick
  class mapper < wukong::streamer::recordstreamer
    def before_stream
      @bad_count = 0
    end

    def after_stream
      raise runtimeerror, "exceeded bad records : #{@bad_count}" if @bad_count > 10
    end

    def process *records
      yield clicktra.new(json.parse(records[2])).to_a
    rescue => e
      @bad_count += 1
      warn "bad record #{e}: #{records[2]}"
    end
  end
end

wukong.run parseclick::mapper, nil

复制代码 代码如下:

require 'date'
require './models.rb'

class clicktra
 
  output :ip
  output :c_date
  #output your other atrributes

  def c_date
    click_date.strftime("%y%m%d").to_i
  end 

  def ip
    browser_ip.to_i
  end

end

其中

strmo = stream log through tra_parser;调用定义的外部程序tra_parser处理log对象。
wukong.run parseclick::mapper, nil执行完后,将ruby执行结果回调pig接收。
store strmo into '$outfile' using pigstorage('\t');做结果存储持久化。