pig的函数

判断某个网站的前缀，并给其打上特定的标签值：

一个java代码例子如下：

Java代码

1. public String  getTag(){  
2.     //url文本  
3.     String url="http://www.baidu.com.cn";  
4.     //标签值  
5.     String tags=null;  
6.     if(url.startsWith("http://www.baidu")){  
7.         tags="1";  
8.     }else if(url.startsWith("http://www.dhx")){  
9.         tags="2";  
10.     }else{  
11.         tags="0";  
12.     }  
13.     return url;  
14. }  

    public String  getTag(){
        //url文本
        String url="http://www.baidu.com.cn";
        //标签值
        String tags=null;
        if(url.startsWith("http://www.baidu")){
            tags="1";
        }else if(url.startsWith("http://www.dhx")){
            tags="2";
        }else{
            tags="0";
        }
        return url;
    }

原来我的解决方法，是写了个UDF函数，来搞定，后来想了想使用UDF虽然比较灵活，但是侵入性比较强，过程比较繁琐，尤其是还得maven打成jar包，注册pig的udf函数，所以，便可以使用pig的replace的函数，来解决：

REPLACE函数用法：
REPLACE(str,regex,str2):
解释一下，三个参数
第一个是原始数据
第二个是匹配的正则 ，需要注意一些特殊字符需要转义， java中匹配任何字符的正则式时.*
第三个是替换后的内容


例子数据：

Java代码  

1. 1,2,3  
2. 2,1,3  
3. 6,7,1  
4. 1,4,4  
5. 121,45,100  
6. 100,23,12  
7. 600,12,50  
8. 4,1,2  
9. http://www.baidu.com,1,2  
10. http://www.video.baidu.com,1,2  
11. http://www.souhu.com.cn,1,2  
12. http://www.dh.com,1,2  
13. http://www.es.dh.com,1,2  
14. http://www.baidu.com,1,2  
15. http://www.baidu.com,1,2  

1,2,3
2,1,3
6,7,1
1,4,4
121,45,100
100,23,12
600,12,50
4,1,2
http://www.baidu.com,1,2
http://www.video.baidu.com,1,2
http://www.souhu.com.cn,1,2
http://www.dh.com,1,2
http://www.es.dh.com,1,2
http://www.baidu.com,1,2
http://www.baidu.com,1,2

需求，将第一列等于1的和以http://www.baidu开头的内容，替换成对应的中文称呼：
pig脚本如下：

Java代码  

1. a = load '/test' using PigStorage(',');  
2. --其他特殊字符需要转义 最后的.*代表，替换所有内容为指定内容  
3. a = foreach a generate  REPLACE($0,'^http:\\/\\/www\\.baidu.*','百度') , $1 ;  
4. --多次替换可执行多个foreach过滤  
5. a = foreach a generate REPLACE($0,'^1$','一') , $1 ;   
6.   
7. dump a;  

a = load '/test' using PigStorage(',');
--其他特殊字符需要转义 最后的.*代表，替换所有内容为指定内容
a = foreach a generate  REPLACE($0,'^http:\\/\\/www\\.baidu.*','百度') , $1 ;
--多次替换可执行多个foreach过滤
a = foreach a generate REPLACE($0,'^1$','一') , $1 ; 

dump a;

执行结果如下：

Java代码  

1. (一,2)  
2. (2,1)  
3. (6,7)  
4. (一,4)  
5. (121,45)  
6. (100,23)  
7. (600,12)  
8. (4,1)  
9. (百度,1)  
10. (http://www.video.baidu.com,1)  
11. (http://www.souhu.com.cn,1)  
12. (http://www.dh.com,1)  
13. (http://www.es.dh.com,1)  
14. (百度,1)  
15. (百度,1)  

(一,2)
(2,1)
(6,7)
(一,4)
(121,45)
(100,23)
(600,12)
(4,1)
(百度,1)
(http://www.video.baidu.com,1)
(http://www.souhu.com.cn,1)
(http://www.dh.com,1)
(http://www.es.dh.com,1)
(百度,1)
(百度,1)

这种方式，适合逻辑不是特别复杂的情况下使用，总体来看，比较简单方便易懂