pig的入门

在这里贴一个pig源码的分析,做pig很长时间没做笔记,不包含任何细节,以后有机会再说吧

http://blackproof.iteye.com/blog/1769219

hadoop pig入门总结

  • pig简介
  • pig数据类型
  • pig latin语法
  • pig udf自定义
  • pig derived衍生
  • 推荐书籍 programming pig
  • 推荐网站 http://pig.apache.org/docs/r0.10.0/basic.html

pig简介

pig是hadoop上层的衍生架构,与hive类似。对比hive(hive类似sql,是一种声明式的语言),pig是一种过程语言,类似于存储过程一步一步得进行数据转化。

pig数据类型

  • double > float > long > int > bytearray
  • tuple|bag|map|chararray > bytearray

double float long int chararray bytearray都相当于pig的基本类型

tuple相当于数组 ,但是可以类型不一,举例('dirkzhang','dallas',41)

Bag相当于tuple的一个集合,举例{('dirk',41),('kedde',2),('terre',31)},在group的时候会生成bag

Map相当于哈希表,key为chararray,value为任意类型,例如['name'#dirk,'age'#36,'num'#41

nulls 表示的不只是数据不存在,他更表示数据是unkown

pig latin语法

1:load

LOAD 'data' [USING function] [AS schema];

       例如:

      load = LOAD 'sql://{SELECT MONTH_ID,DAY_ID,PROV_ID FROM zb_d_bidwmb05009_010}'    USING com.xxxx.dataplatform.bbdp.geniuspig.VerticaLoader('oracle','192.168.6.5','dev','1522','vbap','vbap','1') AS (MONTH_ID:chararray,DAY_ID:chararray,PROV_ID:chararray);

Table = load ‘url’ as (id,name…..);    //table和load之间除了等号外 还必须有个空格 不然会出错,url一定要带引号,且只能是单引号。

 

2:filter

       alias = FILTER alias BY expression;

       Table = filter Table1 by + A; //A可以是 id > 10;not name matches ‘’,is not null 等,可以用and  和or连接各条件

       例如:

       filter = filter load20 by ( MONTH_ID == '1210' and  DAY_ID == '18' and  PROV_ID == '010' );

       

 

3:group

alias = GROUP alias { ALL | BY expression} [, alias ALL | BY expression …] [USING 'collected' | 'merge'] [PARTITION BY partitioner] [PARALLEL n];

          pig的分组,不仅是数据上的分组,在数据的schema形式上也进行分组为groupcolumn:bag

         Table3 = group Table2 by id;也可以Table3 = group Table2 by (id,name);括号必须加

         可以使用ALL实现对所有字段的分组

 

4:foreach

alias = FOREACH alias GENERATE expression [AS schema] [expression [AS schema]….];

 

alias = FOREACH nested_alias {

alias = {nested_op | nested_exp}; [{alias = {nested_op | nested_exp}; …]

GENERATE expression [AS schema] [expression [AS schema]….]

};

 

一般跟generate一块使用

         Table = foreach Table generate (id,name);括号可加可不加。

avg = foreach Table generate group, AVG(age);  MAX ,MIN..

 

在进行数据过滤时,建议尽早使用foreach generate将多余的数据过滤掉,减少数据交换

 

5:join

Inner  join Syntax

alias = JOIN alias BY {expression|'('expression [, expression …]')'} (, alias BY {expression|'('expression [, expression …]')'} …) [USING 'replicated' | 'skewed' | 'merge' | 'merge-sparse'] [PARTITION BY partitioner] [PARALLEL n];

Outer join Syntax

alias = JOIN left-alias BY left-alias-column [LEFT|RIGHT|FULL] [OUTER], right-alias BY right-alias-column [USING 'replicated' | 'skewed' | 'merge'] [PARTITION BY partitioner] [PARALLEL n];

 

     join/left join / right join

daily = load 'A' as (id,name, sex);

divs  = load 'B' as (id,name, sex);

 

join

jnd   = join daily by (id, name), divs by (id, name);       

 

left join

jnd   = join daily by (id, name) left outer, divs by (id, name);

也可以同时多个变量,但只用于inner join

A = load 'input1' as (x, y);

B = load 'input2' as (u, v);

C = load 'input3' as (e, f);

alpha = join A by x, B by u, C by e;

 

6: union

alias = UNION [ONSCHEMA] alias, alias [, alias …];

 

union 相当与sql中的union,但与sql不通的是pig中的union可以针对两个不同模式的变量:如果两个变量模式相同,那么union后的变量模式与 变量的模式一样;如果一个变量的模式可以由另一各变量的模式强制类型转换,那么union后的变量模式与转换后的变量模式相同;否则,union后的变量 没有模式。

 

A = load 'input1' as (x:int, y:float);

B = load 'input2' as (x:int, y:float);

C = union A, B;

describe C;

 

C: {x: int,y: float}

 

A = load 'input1' as (x:double, y:float);

B = load 'input2' as (x:int, y:double);

C = union A, B;

describe C;

C: {x: double,y: double}

 

A = load 'input1' as (x:int, y:float);

B = load 'input2' as (x:int, y:chararray);

C = union A, B;

describe C;

Schema for C unknown.

 

注意:在pig 1.0中 执行不了最后一种union。

 

如果需要对两个具有不通列名的变量union的话,可以使用onschema关键字

A = load 'input1' as (w: chararray, x:int, y:float);

B = load 'input2' as (x:int, y:double, z:chararray);

C = union onschema A, B;

describe C;

C: {w: chararray,x: int,y: double,z: chararray}

 

join和union之后alias的别名会变

 

7:Dump

     dump alias

用于在屏幕上显示数据。

 

8:Order by

alias = ORDER alias BY { * [ASC|DESC] | field_alias [ASC|DESC] [, field_alias [ASC|DESC] …] } [PARALLEL n];

         A = order Table by id desc;

 

9:distinct

         A = distinct alias;

 

10:limit

         A = limit alias 10;

 

11:sample

SAMPLE alias size;

 

随机抽取指定比例(0到1)的数据。

some = sample divs 0.1;

 

13:cross

alias = CROSS alias, alias [, alias …] [PARTITION BY partitioner] [PARALLEL n];

 

将多个数据集中的数据按照字段名进行同值组合,形成笛卡尔积。

--cross.pig

daily = load 'NYSE_daily' as (exchange:chararray, symbol:chararray,date:chararray, open:float, high:float, low:float,

close:float, volume:int, adj_close:float);

divs = load 'NYSE_dividends' as (exchange:chararray, symbol:chararray,date:chararray, dividends:float);

tonsodata = cross daily, divs parallel 10;

 

 

15:split

Syntax

SPLIT alias INTO alias IF expression, alias IF expression [, alias IF expression …] [, alias OTHERWISE];

 

A = LOAD 'data' AS (f1:int,f2:int,f3:int);

DUMP A;

(1,2,3)

(4,5,6)

(7,8,9)

SPLIT A INTO X IF f1<7, Y IF f2==5, Z IF (f3<6 OR f3>6);

 

DUMP X;

(1,2,3)

(4,5,6)

 

DUMP Y;

(4,5,6)

 

DUMP Z;

(1,2,3)

(7,8,9)

 

16:store

         Store  … into … Using…

 

 

pig在别名维护上:

1、join

如e = join d by name,b by name;

    g = foreach e generate $0 as one:chararray, $1 as two:int, $2 as      three:chararray,$3 asfour:int;

    他生成的schemal:

 

        e: {d::name: chararray,d::position: int,b::name: chararray,b::age: int}

g: {one: chararray,two: int,three: chararray,four: int}

2、group

   B = GROUP A BY age;

----------------------------------------------------------------------
| B     | group: int | A: bag({name: chararray,age: int,gpa: float}) |
----------------------------------------------------------------------
|       | 18         | {(John, 18, 4.0), (Joe, 18, 3.8)}             |
|       | 20         | {(Bill, 20, 3.9)}                             |
----------------------------------------------------------------------

 (18,{(John,18,4.0F),(Joe,18,3.8F)})

 

pig udf自定义

pig支持嵌入user defined function,一个简单的udf 继承于evalFunc,通常用在filter,foreach中

public class MyUDF extends EvalFunc<String> {  
  
    @Override  
    public String exec(Tuple input) throws IOException {  
        if(input == null || input.size() ==0)  
            return null;  
        try {  
            String val = (String) input.get(0);  
            return new StringBuffer(val).append(" pig").toString();  
        } catch (Exception e) {  
            throw new IOException(e.getMessage());  
        }  
    }  
  
}  

pig支持udf in loader and store

udf loader 需要继承于LoadFunc

udf storer 需要继承于StoreFunc

这类似于hadoop中写inputformat和outputformat

其中vertica就是写了一个DB版本的

这里贴一个简单的loader的例子:

public class MyLoader extends LoadFunc{  
  
    protected RecordReader recordReader = null;  
      
    private PreparedStatement ps;  
    private Connection conn;  
    private final String jdbcURL;  
    private final String user;  
    private final String pwd;  
    private final String querySql;  
    private ResultSet rs;  
      
    public MyLoader(String driver,String jdbcURL,String user,String pwd,String querySql){  
        try {  
            Class.forName(driver);  
        } catch (Exception e) {  
            // TODO: handle exception  
        }  
        this.jdbcURL = jdbcURL;  
        this.user = user;  
        this.pwd = pwd;  
        this.querySql = querySql;  
    }  
      
    @Override  
    public InputFormat getInputFormat() throws IOException {  
        return new PigTextInputFormat();  
    }  
  
    @Override  
    public Tuple getNext() throws IOException {  
        // TODO 重要的读取过程  
        Text val = null;  
        boolean next = false;  
        try {  
            next = rs.next();  
        } catch (Exception e) {  
            // TODO: handle exception  
        }  
        if(!next)  
            return null;  
        ResultSetMetaData rsmd;  
        try {  
//          rsmd = result  
        } catch (Exception e) {  
            // TODO: handle exception  
        }  
          
        return null;  
    }  
  
    @Override  
    public void prepareToRead(RecordReader arg0, PigSplit arg1)  
            throws IOException {  
        this.recordReader = arg0;  
    }  
  
    @Override  
    public void setLocation(String arg0, Job arg1) throws IOException {  
        //no idea  
    }  
      
    public ResourceSchema getSchema(String location,Job job) throws IOException{  
        Configuration conf = job.getConfiguration();  
        Schema schema = new Schema();  
        try {  
            //TODO:reader from database table  
//          Connection conn = DriverManager.getConnection(this.jdbcURL, this.user, this.pwd);  
            FieldSchema fieldName = new FieldSchema("name", DataType.CHARARRAY);  
            FieldSchema fieldPosition = new FieldSchema("position", DataType.INTEGER);  
            schema.add(fieldName);  
            schema.add(fieldPosition);  
        } catch (Exception e) {  
            //TODO log exception  
        }  
          
        return null;  
    }  
      
    public void prepareToRead(){  
          
    }  
  
}  

 其中getNext方法就是如何处理reader读取出的数据

        getSchema可以固定读取数据的schema

        setLocation可以处理输入的数据源

        prepareToRead是读取数据之前,可以在此做标识,等等

        

pig 衍生

1.penny:

1. Penny的描述

Penny是pig的贡献项目,是pig的调试和监控工具,而且支持根据API自定义penny的监视器和协作器,已实现不同的功能;

2. Penny的总架构

Penny将监视器插入到pig的工作操作中,主要用于监视pig数据流的变化,监视器可以调用协作器,完成各种功能。

3. Penny的总类图关系

ParsePigScript负责根据用户监视器生成新计划newPlan,在ToolsPigServer中根据以前的脚本执行新计划。在执行新计划时,当监视器监视对象数据发生变化,出发监视器,运行自定义的业务,也可以将数据流变化传回协作器里处理,总类图如下: 

4. Penny的使用

Penny的使用需要自定义两个类,一个类继承于监视器基类MonitorAgent,另一个继承于协作器基类Coordinator。然后根据上边类图,就可以使用PennyServer和ParsePigScript进行监控和调试

 5.在pig中就可以找到penny这个贡献的源码

Vertica:

   vertica是pig loader和storer的udf

   附件里是vertica,来自github,和vertica的介绍使用文档

 

  推荐书籍

    programming pig

  推荐网址

   http://pig.apache.org/docs/r0.10.0/basic.html 官网

  pig pen开发工具,这个我现在玩得还不熟,就不介绍了,有兴趣的可以去搜搜玩玩

我在工作中pig的使用,主要是数据的ETL,所以比较适合。在选择pig hive还是其他非hadoop架构,如redis,这还是一个需要继续尝试探索的问题。

相关推荐