ruby和pig处理流式文件实例

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：

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');

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

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。