Pig是一種操作大規(guī)模數(shù)據(jù)集的腳本語言，是在HDFS和MapReduce之上的數(shù)據(jù)流處理語言，將數(shù)據(jù)流翻譯成多個MR函數(shù)。

?

Pig包括兩部分：

PigLatin：用于描述數(shù)據(jù)流的語言

用于運行pig Latin程序的執(zhí)行環(huán)境

?

PigLatin程序有一系列的operation和transformation組成，每個操作或變換對屬于進行數(shù)據(jù)處理，將這些操作轉(zhuǎn)換為一系列的MapReduce作業(yè)。

Pig不適合所有的數(shù)據(jù)處理任務(wù)，如果只想查詢大數(shù)據(jù)集中的一小部分數(shù)據(jù)，pig的實現(xiàn)不是很好，因為它要掃描整個數(shù)據(jù)集或絕大部分

?

1.Pig運行

1）pig腳本（將程序?qū)懭?/span>.pig文件中

2）Grunt（運行Pig命令的交互式shell環(huán)境

3）嵌入方式

?

pig與數(shù)據(jù)庫的比較：

1）pig是數(shù)據(jù)流編程語言，而SQL是一種描述性編程語言，Pig相當于輸入的一步步操作，其中每一步都是對數(shù)據(jù)的簡單的變換

2）RDBMS把數(shù)據(jù)存儲在嚴格定義了模式的表內(nèi)，但pig對數(shù)據(jù)的要求更寬松，可以在運行時定義模式，而且是可選的

3）pig對復(fù)雜、嵌套數(shù)據(jù)結(jié)構(gòu)支持更好

4）Pig不支持事務(wù)和索引，也不支持隨機度和幾十毫秒級別的數(shù)據(jù)查詢，它是針對數(shù)據(jù)批量處理的

5）Hive是結(jié)余Pig和RDBMS的系統(tǒng)，Hive以HDFS為存儲，但是查詢語言是基于sql的，而且hive要求所有數(shù)據(jù)必須存儲于表中，

表必須有模式，而模式由hive管理，但hive允許為預(yù)先存在HDFS上的數(shù)據(jù)關(guān)聯(lián)一個模式，因此數(shù)據(jù)加載步驟是可選的

?

2.Pig Latin

程序由一系列的語句構(gòu)成，操作和命令是大小寫無關(guān)的，但是別名和函數(shù)名是大小寫敏感的

pig處理多行語句時，在整理程序邏輯計劃沒有構(gòu)造完畢前，pig并不處理數(shù)據(jù)。

?

關(guān)系操作

1）加載與存儲

Load	將數(shù)據(jù)從外部文件或其他存儲中加載數(shù)據(jù)，存入關(guān)系
Store	將一個關(guān)系存放在文件系統(tǒng)或其他存儲中
Dump	將關(guān)系打印在控制臺

?

2）過濾

Filter	從關(guān)系中刪除不需要的行
Distinct	刪除 重復(fù)行
FOREACH …?????? GENERATE	對于集合的每個元素，生成或刪除字段
STREAM	使用外部程序?qū)﹃P(guān)系進行變換
SAMPLE	從關(guān)系中隨機取樣

?

3）分組與連接

Join	連接
Cogroup	在兩個或多個關(guān)系中分組
Group	在一個關(guān)系中對數(shù)據(jù)進行分組
CROSS	獲取兩個或更多關(guān)系的乘積

?

4）排序

ORDER	根據(jù)一個或多個字段進行排序
Limit	限制關(guān)系的元組個數(shù)

?

5）合并與分割

UNION	合并關(guān)系
SPLIT	把某個關(guān)系切分成兩個或多個關(guān)系

?

6）Pig Latin的診斷操作

?操作?	描述
DESCRIBE?	打印關(guān)系的模式
EXPLAIN	打印邏輯和物理計劃
ILLUSTRATE	使用生成的輸入子集顯示邏輯計劃的試運行結(jié)果

?

7）Pig Latin UDF語句

REGISTER?	在Pig運行時環(huán)境中注冊一個JAR文件
DEFINE????	為UDF、流式腳本或命令規(guī)范新建別名

?

8）Pig Latin命令類型

?kill??	中止某個MapReduce任務(wù)
exec????????	在一個新的Grunt shell程序中以批處理模式運行一個腳本
?run??	在當前Grunt外殼程序中運行程序
?quit?????	退出解釋器
?set?????	設(shè)置Pig選項

?

9）Pig Latin表達式

?

類型	???表達式??	?描述???????????	?示例
字段????????????????	$n?????????????????	第n個字段??????	$0
字段????????????	f???????????????	字段名f?????????????????	?year
投影??????????	c.$n,??????	c.f?在關(guān)系、包或元組中的字段??	?records.$0, records.year
Map查找??????????	m#k?????????	在映射m中鍵k對應(yīng)的值??????	items’Coat’
類型轉(zhuǎn)換??????	(t)f???????????	將字段t轉(zhuǎn)換成f類型??????????????????	(int)year
函數(shù)型平面化?	?fn(f1, f2,?…)???????????	在字段上應(yīng)用函數(shù)?????????????	fn isGood(quality)

?????????????????????????FLATTEN(f)?????????從包和元組中去除嵌套??????????????????flatten(group)

?其它的表達式，如算術(shù)、條件、比較和布爾型類似其它語言，不詳述.

?

10）Pig Latin類型

?

數(shù)據(jù)類型包括int (32位有符號整數(shù)), long（64位有符號整數(shù)）, float（32位浮點數(shù)）, double（64位浮點數(shù)）,

chararray（UTF16格式的字符數(shù)組）,Bytearray（字節(jié)數(shù)組）, tuple（元組）, bag（包）, map（鍵值對）.

?

tuple:(1,‘hello’)???????? //任何類型的字段序列

?bag: {(1,?‘hello’), (2)}???//元組的無序多重集合（允許重復(fù)元組）

?map: [‘a(chǎn)’?‘hello’]?????????//一組鍵值對，鍵必須是字符數(shù)組

?

關(guān)系和包在概念上是相同的，但是有細微差別。關(guān)系是頂層構(gòu)造結(jié)構(gòu)，只能從上表中的關(guān)系操作中創(chuàng)建關(guān)系，包必須在某個關(guān)系中。

舉例：

?

A = {(1, 2), (3,4)}?????? //錯，使用load語句從文件中加載數(shù)據(jù)

?

B =A.$0??????????????????//錯，?B = foreach A generate $0;

?

11）模式

Pig的一個關(guān)系可以關(guān)聯(lián)一個模式，模式為關(guān)系的字段指定名稱和類型數(shù)據(jù)庫要求數(shù)據(jù)加載前必須先聲明模式截然不同，Pig設(shè)計的目的是用于分析不包含數(shù)據(jù)類型信息的純文本輸入文件的。但是盡量定義模式，會讓程序運行地更高效。

?

缺點：在查詢中聲明模式的方式是靈活的，但不利于模式重用。每個查詢中維護重復(fù)出現(xiàn)的模式會很困難。處理這一問題的辦法是寫自己的加載函數(shù)來封裝模式

?

SQL數(shù)據(jù)庫在加載數(shù)據(jù)時，會強制檢查表模式中的約束。在pig中，如果一個值無法被強制轉(zhuǎn)換為模式中申明的類型，pig會用空值null代替，

grunt>good_records = filter records by temperatureis not null;

?另一種技巧是使用SPLIT操作把數(shù)據(jù)劃分成好和壞兩個關(guān)系，然后在分別進行分析：

?grunt> split records into good_records iftemperature is not null,

??????????????????????????bad_records if temperature is null;

?grunt> dump good_records;

?

在pig中不用為數(shù)據(jù)流中的每個新產(chǎn)生的關(guān)系生命模式。大多數(shù)情況下，pig能根據(jù)關(guān)系操作的輸入關(guān)系的模式來確定輸出結(jié)果的模式

有些操作不改變模式，如limit，而Union回自動生成新的模式

?

如果要重新定義一個關(guān)系的模式，可以使用帶as語句的FOREACH …GENERATE操作來定義輸入關(guān)系的一部分或全部字段模式

?

12）函數(shù)

Pig的函數(shù)分為計算函數(shù)，過濾函數(shù)，加載函數(shù)和存儲函數(shù)

• 計算函數(shù)：AVG, COUNT, CONCAT, COUNTSTAR, DIFF, MAX, MIN, SIZE, SUM, TOKENIZE

• 過濾函數(shù)：IsEmpty
• 加載/存儲函數(shù)：PigStorage, BinStorage, BinaryStorage, TextLoader, PigDump

用戶自定義函數(shù)

public abstract classEvalFunc<T>

REGISTERpig-examples.jar;

DEFINE isGoodorg.hadoopbook.pig.IsGoodQuality();

?

13）數(shù)據(jù)處理操作

加載和存儲數(shù)據(jù)：store A into 'out' using pigStore(':');//將元祖存儲為以冒號為分割的純文本

連接：

C = join A by $0, B by $1; //?默認為內(nèi)連接，將A的第一個字段和B的第二個字段連接，輸出匹配的字段

?//?連接后新關(guān)系的字段為輸入關(guān)系的字段和

?C = join A by $0, B by $1using?“replicated”; //?分段復(fù)制鏈接，B表中的數(shù)據(jù)將會放在內(nèi)存中

?C= join A by $0 left outer, Bby $1;? //?左外連接，左邊的沒有匹配項也輸出

?

Cogroup?多關(guān)系分組

?類似于Join，但默認是外連接，連接鍵為第一個字段，第二個字段為匹配的第一個關(guān)系中的所有元組的包，第三個字段為第二個表中匹配的所有元組的包。

示例如下：

?D = COGROUP A by $0, B by $1;//?新的關(guān)系的元組個數(shù)為連接鍵的并集（去除重復(fù)）；

?D= COGROUP A by $0 inner, B by $1inner; //?新關(guān)系的元組個數(shù)是連接鍵取交集的個數(shù)（只輸出匹配的）。每個元組中的第二個和第三個字段都是一個包含一個元組的包

?COGROUP，inner和flatten組合使用相當于實現(xiàn)了內(nèi)連接：

?G = COGROUP A by $0 innner, B by $1 inner;

?H = foreach G generate flatten($1), flatten($2)

?// H和join A by $0, Bby $1相同

?

Group?分組

?B = group A by $0; //?第一個字段為group字段，第二個字段為一個包，包含元組的其它字段

?B = group A by size($1);//?長度為第一個字段，第二個字段為一個包，包含所有長度為第一個字段的元組

?C = group A all; //?只有一行，第一個字段為all，第二個字段為A中所有元組的包

?D = group A any; //?對關(guān)系中的元組隨機分組，對取樣非常有用

?

排序數(shù)據(jù)

Pig按什么順序來處理關(guān)系的行是不確定的，只能在輸出前排序。

?B = order A by $0, $1 DESC;

?C = Limit B 2;

?

組合和切分數(shù)據(jù)

?Union可以將幾個關(guān)系合在一起，即所有元組的集合，當關(guān)系的模式不匹配時，新關(guān)系就沒有模式。

?C = union A, B;

?Split?可以將一個關(guān)系的元組按某種條件分成幾個子集。

?Split A into B if $0 is null, C if $0 is notnull;

?

參數(shù)替換：在pig語句中使用$加變量名的方式使用外部定義的變量值，在運行時可以通過"-param input=”設(shè)置變量的值，

或者通過"-param_file?”來指定參數(shù)文件。

?

動態(tài)參數(shù)：很多Unix shell用反引號引用的命令來替換實際值，如`date?“+%Y-%m-%d”?`會按規(guī)定格式輸出日期。

這個可以放在-param或參數(shù)文件中來動態(tài)得到一個值

?

?

?

3.各種sql在pig中的實現(xiàn)

我這里以Mysql 5.1.x為例,Pig的版本是0.8

?同時我將數(shù)據(jù)放在了兩個文件,存放在/tmp/data_file_1和/tmp/data_file_2中.文件內(nèi)容如下:

?

tmp_file_1:

Txt代碼?

User	Age	isMale
zhangsan?	23?	1?
lisi??	24	1?
wangmazi?	30?	1?
meinv?	18	0?
dama???	55?	0?

?

tmp_file_2:

Txt代碼?

Age	options
1???	a
23???	bb
50?	ccc
30?	dddd
66?	eeeee?

?

1.從文件導(dǎo)入數(shù)據(jù)

??? 1)Mysql (Mysql需要先創(chuàng)建表).

??????? CREATETABLE TMP_TABLE(USER VARCHAR(32),AGE INT,IS_MALE BOOLEAN);

???????CREATE TABLE TMP_TABLE_2(AGE INT,OPTIONS VARCHAR(50));?? --?用于Join

??????? LOAD DATALOCAL INFILE '/tmp/data_file_1'? INTO TABLE TMP_TABLE ;

??????? LOAD DATALOCAL INFILE '/tmp/data_file_2'? INTO TABLE TMP_TABLE_2;

??? 2)Pig

????????tmp_table = LOAD '/tmp/data_file_1' USING PigStorage('\t') AS (user:chararray,age:int,is_male:int);

????????tmp_table_2= LOAD '/tmp/data_file_2' USING PigStorage('\t') AS(age:int,options:chararray);

?2.查詢整張表

??? 1)Mysql

?????? SELECT * FROMTMP_TABLE;

??? 2)Pig

?????? DUMP tmp_table;

?3.?查詢前50行

??? 1)Mysql

?????? SELECT * FROMTMP_TABLE LIMIT 50;

??? 2)Pig

???????tmp_table_limit = LIMIT tmp_table 50;

??????? DUMPtmp_table_limit;

4.查詢某些列

??? 1)Mysql

??????? SELECTUSER FROM TMP_TABLE;

??? 2)Pig

???????tmp_table_user = FOREACH tmp_table GENERATE user;

??????? DUMPtmp_table_user;

?5.?給列取別名

???? 1)Mysql

??????? SELECTUSER AS USER_NAME,AGE AS USER_AGE FROM TMP_TABLE;

???? 2)Pig

???????tmp_table_column_alias = FOREACH tmp_table GENERATE user AS user_name,age ASuser_age;

??????? DUMPtmp_table_column_alias;

??6.排序

???? 1)Mysql

??????? SELECT *FROM TMP_TABLE ORDER BY AGE;

???? 2)Pig

????????tmp_table_order = ORDER tmp_table BY age ASC;

???????? DUMPtmp_table_order;

??7.條件查詢

???? 1）Mysql

????????SELECT * FROM TMP_TABLE WHERE AGE>20;

???? 2) Pig

????????tmp_table_where = FILTER tmp_table by age > 20;

???????? DUMPtmp_table_where;

??8.內(nèi)連接Inner Join

???? 1)Mysql

??????? SELECT *FROM TMP_TABLE A JOIN TMP_TABLE_2 B ON A.AGE=B.AGE;

???? 2)Pig

????????tmp_table_inner_join = JOIN tmp_table BY age,tmp_table_2 BY age;

???????? DUMPtmp_table_inner_join;

?9.左連接Left? Join

??? 1)Mysql

??????? SELECT *FROM TMP_TABLE A LEFT JOIN TMP_TABLE_2 B ON A.AGE=B.AGE;

??? 2)Pig

??????tmp_table_left_join = JOIN tmp_table BY age LEFT OUTER,tmp_table_2 BY age;

?????? DUMPtmp_table_left_join;

?10.右連接Right Join

????? 1)Mysql

????????SELECT * FROM TMP_TABLE A RIGHT JOIN TMP_TABLE_2 B ON A.AGE=B.AGE;

????? 2)Pig

????????tmp_table_right_join = JOIN tmp_table BY age RIGHT OUTER,tmp_table_2 BY age;

???????? DUMPtmp_table_right_join;

?

11.全連接Full Join

????? 1)Mysql

????????SELECT * FROM TMP_TABLE A? JOIN TMP_TABLE_2 B ON A.AGE=B.AGE

????????????UNION SELECT * FROM TMP_TABLE A LEFT JOIN TMP_TABLE_2 B ON A.AGE=B.AGE

????????????UNION SELECT * FROM TMP_TABLE A RIGHT JOIN TMP_TABLE_2 B ON A.AGE=B.AGE;

????? 2)Pig

????????tmp_table_full_join = JOIN tmp_table BY age FULL OUTER,tmp_table_2 BY age;

???????? DUMPtmp_table_full_join;

?2.同時對多張表交叉查詢

???? 1)Mysql

??????? SELECT *FROM TMP_TABLE,TMP_TABLE_2;

???? 2)Pig

???????tmp_table_cross = CROSS tmp_table,tmp_table_2;

??????? DUMPtmp_table_cross;

?3.分組GROUP BY

??? 1)Mysql

?????? SELECT * FROMTMP_TABLE GROUP BY IS_MALE;

??? 2)Pig

?????? tmp_table_group= GROUP tmp_table BY is_male;

?????? DUMPtmp_table_group;

?14.分組并統(tǒng)計

????? 1)Mysql

??????? SELECTIS_MALE,COUNT(*) FROM TMP_TABLE GROUP BY IS_MALE;

????? 2)Pig

????????tmp_table_group_count = GROUP tmp_table BY is_male;

????????tmp_table_group_count = FOREACH tmp_table_group_count GENERATE group,COUNT($1);

???????? DUMPtmp_table_group_count;

??15.查詢?nèi)ブ?/span>DISTINCT

????? 1)MYSQL

????????SELECT DISTINCT IS_MALE FROM TMP_TABLE;

????? 2)Pig

????????tmp_table_distinct = FOREACH tmp_table GENERATE is_male;

????????tmp_table_distinct = DISTINCT tmp_table_distinct;

????????DUMP? tmp_table_distinct;

總結(jié)

以上是生活随笔為你收集整理的pig入门的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。