内容简介:Apache Pig和Solr问题笔记(一)
记录下最近两天散仙在工作中遇到的有关Pig0.12.0和Solr4.10.2一些问题,总共有3个,如下: (1)问题一: 如何Pig中使用ASCII和十六进制(hexadecimal)的分隔符进行加载,和切分数据? 注意关于这个问题,在Pig中,会反应到2个场景中, 第一: 在Pig加载(load)数据时候 。 第二: 在Pig处理split,或则正则截取数据的时候。 先稍微说下,为啥使用十六进制的字段分隔符,而不是我们常见的空格,逗号,冒号,分号,#号,等,这些字符,虽然也可以使用,但是如果我们数据中有和这些符号冲突的数据,那么在解析时,就会发生一些出人意料的Bug,所以,为了保险起见,选用肉眼不可读的十六进制的数据,是一个不错的选择,当然这也是,针对场景来说的,看情况决定。 关于详细的ASCII和十六进制,二进制,八进制,十进制的文档介绍,请参考 维基 百科全书。 下面继续回到正题,本例中,我们的数据格式是这样存储的:
每行一条记录,UTF-8编码; 每条记录都包括字段名和字段内容; 字段之间用ascii码1分隔; 字段名与内容之间用ascii码2分隔;
一个在eclipse中的小例子如下:
public static void main(String[] args) { //注意\1和\2,在我们的IDE中,NotePad++中,Linux的终端设备的界面中,都会呈现不同的 //显示方式,大家可以在维基百科中,详细了解下 //数据示例 String s="prod_cate_disp_id019"; //split规则 String ss[]=s.split("\2"); for(String st:ss){ System.out.println(st); } }
关于load函数,加载时支持的分隔符类型,大家可以参考官网的 文档 下面看在Pig脚本的代码:
--Hadoop技术交流群:415886155 /*Pig支持的分隔符包括: 1,任意字符串, 2,任意转义字符 3,dec的字符\\u001 或者 \\u002 4,十六进行字符 \\x0A \\x0B */ --注意这个load时的分隔符,代表ASCII的1,作为Pig里面的dec直接解析方式 a = load '/tmp/dongliang/20150401/20150301/tmp_search_keywords_cate_stat/' using PigStorage('\\u001') ; /** 注意下面的分割符^B,这个符号是脱元字符,只会在终端设备上 显示,这个符号,代表ASCII的2 */ a = foreach a generate REGEX_EXTRACT ($0, '(.*)^B(.*)', 2) as time , REGEX_EXTRACT ($1, '(.*)^B(.*)', 2) as kw , REGEX_EXTRACT ($2, '(.*)^B(.*)', 2) as ic , REGEX_EXTRACT ($3, '(.*)^B(.*)', 2) as cid, REGEX_EXTRACT ($4, '(.*)^B(.*)', 2) as cname, REGEX_EXTRACT ($5, '(.*)^B(.*)', 2) as pname, REGEX_EXTRACT ($6, '(.*)^B(.*)', 2) as snt, REGEX_EXTRACT ($7, '(.*)^B(.*)', 2) as cnt, REGEX_EXTRACT ($8, '(.*)^B(.*)', 2) as fnt, REGEX_EXTRACT ($9, '(.*)^B(.*)', 2) as ant, REGEX_EXTRACT ($10, '(.*)^B(.*)', 2) as pnt ; --获取字符串长度 a = foreach a generate SIZE(cid) as len; --按长度分组 b = group a by len; --统计各个长度下的数量 c = foreach b generate group, COUNT($1); --输出打印 dump c;
(2)问题二:如何在Apache Solr中,查询某个不分词的field的长度,有多少个记录? Solr里面并没有直接提供这样类似 JAVA 里的lenth这样的函数,或者Pig里面的SIZE这样的函数,那么我们应该如何查询呢? Solr虽然不直接支持这样的查询,但是我们可以通过正则查询,来变相的实现这个目的,用法如下: (1)查询固定长度 cid:/.{6}/ 只过滤长度为6的记录 (2)查询范围长度 cid:/.{6,9}/ 只过滤长度6到9的记录 (3)查询最少多少长度以上的cid:/.{6}.*/ 长度最少为6的
(3)问题三:在使用Pig+MapReduce,向Solr中,批量添加索引时,发现,无任何错误异常,但是索引里却没任何数据? 这是一个比较诡异的问题,本来,散仙觉得应该是程序出问题了,但是后来发现,同样的代码向另外一个collection里添加数据,就很正常,查看solr的log,发现里面打印的一些信息如下:
INFO - 2015-04-01 21:08:36.097; org.apache.solr.update.DirectUpdateHandler2; start commit{,optimize=false,openSearcher=true,waitSearcher=true,expungeDeletes=false,softCommit=false,prepareCommit=false} INFO - 2015-04-01 21:08:36.098; org.apache.solr.update.DirectUpdateHandler2; No uncommitted changes. Skipping IW.commit. INFO - 2015-04-01 21:08:36.101; org.apache.solr.core.SolrCore; SolrIndexSearcher has not changed - not re-opening: org.apache.solr.search.SolrIndexSearcher INFO - 2015-04-01 21:08:36.102; org.apache.solr.update.DirectUpdateHandler2; end_commit_flush
解释下上面的信息的意思,大概就是说在数据索引完了,但是没有发现有commit的数据,所以跳过commit,这一点在程序跑的时候是非常奇怪的,因为数据源HDFS里最少有110万的数据,怎么会没有数据呢? 然后散仙通过谷歌搜索发现也有人发现类似的奇怪情况,无任何异常的情况下,重建索引成功,却在索引里没有看见任何数据,而且最为疑惑的是,这几个网上已经有的案例,竟然没有一个有解决方案。
没办法了,只好再次查看程序,这一次散仙,把中间处理好需要建索引的数据,给打印出来看一下,到底什么情况,结果打印出来的都是一行行空数据,原来在使用正则截取数据时,原来的分隔符失效了,所以导致截取不到数据,这下问题基本定位了,solr索引里没有数据,肯定是因为本来就没有数据提交,导致的那个奇怪的log发生,结果在散仙把这个bug修复之后,再次重建索引,发现这次果然成功了,在Solr中,也能正常查询到数据。如果你也发生了类似的情况,请首先确保你能正确的获取到数据,不论是从远程读取的,还是解析word,excel,或者txt里面的数据,都要首先确定,能够正确的把数据解析出来,然后,如果还是没建成功,可根据solr的log或者抛出的异常提示,进行修复 。
最后,欢迎大家关注散仙的公众号:我是攻城师,有任何问题,都可以直接留言与散仙交流。
以上所述就是小编给大家介绍的《Apache Pig和Solr问题笔记(一)》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- Apache Pig和Solr问题笔记(一)
- Apache Pig和Solr问题笔记(一)
- golang学习笔记之-采集gbk乱码的问题?
- 数据挖掘复习笔记---04.分类问题之决策树
- iOS开发笔记— Xcode、UITabbar、特殊机型问题分析
- 数据挖掘复习笔记---04.2分类问题之 KNN
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Designing Programmes
Karl Gerstner / Springer Verlag / 2007 / $499.00
Karl Gerstnera (TM)s work is a milestone in the history of design. One of his most important works is Designing Programmes, which is presented here in a new edition of the original 1964 publication. I......一起来看看 《Designing Programmes》 这本书的介绍吧!