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

   贴一篇将vertica的帖子 http://blackproof.iteye.com/blog/1791995

 

  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。