大數據操作中涉及到數據清洗步奏還是用腳本處理比較方便，下邊介紹一下pig加載hdfs文件后調用ruby腳本處理數據，再返回數據流至pig中處理的一個簡單案例。

注意：ruby的流式處理用到wukong這個gem包，相關下載：
https://github.com/mrflip/wukong

pig中加載分布式文件調用ruby流式處理：
代碼如下:
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');

代碼如下:
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

代碼如下:
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;調用定義的外部程序tra_parser處理log對象。
Wukong.run ParseClick::Mapper, nil執行完后，將ruby執行結果回調pig接收。
store strmo into '$OUTFILE' using PigStorage('/t');做結果存儲持久化。