Google的Sawzall,Yahoo的Pig和微软的Dryad

Google的Sawzall,Yahoo的Pig和微软的Dryad

Greg 最近写了篇介绍Google，Yahoo，微软三大巨头公司分布式架构的Blog。这就是：Google的Sawzall,Yahoo的Pig 猪和微软的Dryad 。

这真是一个信息爆炸的时代，在这个大背景里消耗CPU最多的计算会越来越多从“软件本身性能提升”逐渐转移到信息处理的过程中。描述计算速度提高的摩尔定 律，据说现在还仍然有效，可 ”Andy giveth, and Bill taketh away“ 的名言似乎应该改为："Andy giveth, and google(...) taketh away" 了。

言归正传，Yahoo猪年行大礼，在五一期间放出了：PIG 猪 。(猪非彼猪 ) Yahoo Pig 是一个运行在Hadoop（Doug Cutting 在06年3月份加入了Yahoo ）上的并行处理架构，有了Pig 使得普通的程序员具有了分析处理gigantic数据集的能力。附带一下 Hadoop 基本进入了实用阶段 Amazon 的 EC2 和S3已经在使用了Hadoop了。
Yahoo Pig 有如下特点：
1、专注于于大量数据集分析（ad-hoc analysis ， ad-hoc 代表：a solution that has been custom designed for a specific problem ）；
2、运行在集群的计算架构上，Yahoo Pig 提供了多层抽象，简化并行计算让普通用户使用；这些抽象完成自动把用户请求queries翻译成有效的并行评估计划，然后在物理集群上执行这些计划；
3、提供类似 SQL 的操作语法；
4、开放源代码；

从对 Yahoo Pig 的了解来看，推荐大家使用，Google Sawzall 和 Microsoft Dryad 就别指望了。

Google Sawzall 是google labs 很早就释放出来了，虽然两者都是定位于分布式并行计算的架构，实现方式却大相径庭。
Sawzall 是基于MapReduce 的，变成语法类似于 java 和 c 语言。

下面是 Sawzall 代码的例子:

proto "querylog.proto"
static RESOLUTION: int = 5; # minutes; must be divisor of 60
log_record: QueryLogProto = input;
queries_per_degree: table sum[t: time][lat: int][lon: int] of int;
loc: Location = locationinfo(log_record.ip);
if (def(loc)) {
t: time = log_record.time_usec;
m: int = minuteof(t); # within the hour
m = m - m % RESOLUTION;
t = trunctohour(t) + time(m * int(MINUTE));
emit queries_per_degree[t][int(loc.lat)][int(loc.lon)] <- 1;
}

下面是Pig 代码的例子:

a = COGROUP QueryResults BY url, Pages BY url;
b = FOREACH a GENERATE FLATTEN(QueryResults.(query, position)), FLATTEN(Pages.pagerank);
c = GROUP b BY query;
d = FILTER c BY checkTop5(*);



很显然，如果大家需要对结构化（半结构化）的数据进行分析处理时 Pig 的 SQL 的语法更便于掌握。

具体参考Yahoo Pig 的其他例子：

Pig Latin Examples：
Example 1: Word Count
Example 2: Map/Reduce
Example 3: Pages and Queries
Example 4: PageRank


无独有偶，微软的Dryad 集成Linq (随着.net 2.0 正式发布了) 后叫： DryadLINQ 。从个人角度讲我一直看好 Linq 这个产品，出身Aders不说，程序语言和数据处理合2为1对简单的Insert ,update ,delete,query 完全应该集成起来。这一点也是我喜欢Rails的原因吧。



目前微软的 Dryad 已经在 Microsoft's AdCenter 投入使用。


我想用Yahoo Pig 的话，做 Log 分析应该比较适合。

参考资料： sourcelab
Dryad: Distributed Data-Parallel Programs from Sequential Building Blocks

MapReduce BBS