Pig是一个基于Hadoop的大规模数据分析平台,它提供的SQL-LIKE语言叫Pig Latin,该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。使用pig可以在处理海量数据时达到事半功倍的效果,比使用Java,C++等语言编写大规模数据处理程序的难度要小N倍,实现同样的效果的代码量也小N倍。我们可以在不熟悉map/reduce的情况下使用类似与sql语句的pig latin语句来实现复杂的数据处理。
我这里以Mysql 5.1.x为例,Pig的版本是0.8
同时我将数据放在了两个文件,存放在/tmp/data_file_1和/tmp/data_file_2中.文件内容如下:
tmp_file_1:
Txt代码
zhangsan 23 1
lisi 24 1
wangmazi 30 1
meinv 18 0
dama 55 0
tmp_file_2:
Txt代码
1 a
23 bb
50 ccc
30 dddd
66 eeeee
1.从文件导入数据
1)Mysql (Mysql需要先创建表).
CREATE TABLE TMP_TABLE(USER VARCHAR(32),AGE INT,IS_MALE BOOLEAN);
CREATE TABLE TMP_TABLE_2(AGE INT,OPTIONS VARCHAR(50)); -- 用于Join
LOAD DATA LOCAL INFILE '/tmp/data_file_1' INTO TABLE TMP_TABLE ;
LOAD DATA LOCAL 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.查询整张表
1)Mysql
SELECT * FROM TMP_TABLE;
2)Pig
DUMP tmp_table;
3. 查询前50行
1)Mysql
SELECT * FROM TMP_TABLE LIMIT 50;
2)Pig
tmp_table_limit = LIMIT tmp_table 50;
DUMP tmp_table_limit;
4.查询某些列
1)Mysql
SELECT USER FROM TMP_TABLE;
2)Pig
tmp_table_user = FOREACH tmp_table GENERATE user;
DUMP tmp_table_user;
5. 给列取别名
1)Mysql
SELECT USER 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 AS user_age;
DUMP tmp_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;
DUMP tmp_table_order;
7.条件查询
1)Mysql
SELECT * FROM TMP_TABLE WHERE AGE>20;
2) Pig
tmp_table_where = FILTER tmp_table by age > 20;
DUMP tmp_table_where;
8.内连接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;
DUMP tmp_table_inner_join;
9.左连接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;
DUMP tmp_table_left_join;
10.右连接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;
DUMP tmp_table_right_join;
11.全连接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;
DUMP tmp_table_full_join;
12.同时对多张表交叉查询
1)Mysql
SELECT * FROM TMP_TABLE,TMP_TABLE_2;
2)Pig
tmp_table_cross = CROSS tmp_table,tmp_table_2;
DUMP tmp_table_cross;
13.分组GROUP BY
1)Mysql
SELECT * FROM TMP_TABLE GROUP BY IS_MALE;
2)Pig
tmp_table_group = GROUP tmp_table BY is_male;
DUMP tmp_table_group;
14.分组并统计
1)Mysql
SELECT IS_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);
DUMP tmp_table_group_count;
15.查询去重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;
【转自】http://www.open-open.com/lib/view/open1385173281604.html
相关推荐
本文介绍了 Drupal 7 中常用的 SQL 操作方法,包括查询、插入、更新和删除数据的基本用法以及如何使用 Drupal 的高级查询构造器来构造更复杂的查询语句。这些知识点对于 Drupal 开发者来说是非常实用和重要的。通过...
而Hive往往可以通过单条SQL语句来完成复杂的业务逻辑处理。 - **适用场景**:对于需要快速获取复杂业务逻辑处理结果的场景,推荐使用Pig;而对于需要定时执行的任务,则推荐使用Hive。 #### 二、Pig与MapReduce的...
这包括了对Java和Python UDF的支持,以及如何将UDF集成到Pig Latin语句中进行数据转换和处理。 3. **数据类型和Schema**: 在Pig 0.15中,数据类型和Schema系统是数据处理的基础。源码揭示了如何定义、验证和操作...
在大数据环境里,如Hadoop的Hive、Pig或Spark SQL,都提供了SQL接口,使得分析人员能够以熟悉的SQL语法操作分布式存储的数据。 2. 数据清洗与预处理:在大数据项目中,原始数据往往需要经过一系列清洗步骤,SQL可以...
Hive提供了一种SQL-like的语言(HQL,Hive Query Language),它将复杂的MapReduce作业封装在简单的SQL语句中,降低了大数据处理的门槛。以下为Hive编程的关键要素: 1. Hive Tables:类似于数据库中的表,用于存储...
在 MapReduce 层面,Pig Latin 操作被转换成一系列任务,这些任务在 Hadoop 集群中并行执行,从而实现高效的分布式计算。 Apache Pig 的核心特性是其 Pig Latin 语言,它提供了丰富的数据类型和操作符,使得数据...
关系通常通过Pig脚本中的LOAD语句从外部数据源读取创建,也可以通过各种数据转换操作如JOIN、FILTER等生成。 ##### 2. 包(Bag) **包**是一个无序的容器,用于存储多个元组。与关系不同,包内部的元素可以重复,且...
Hive中SQL详解 Hive是一个基于Hadoop构建的数据仓库分析系统,它提供了丰富的SQL查询方式来分析存储在Hadoop分布式文件系统中的数据。 Hive SQL支持绝大多数的语句,如DDL、DML、聚合函数、连接查询、条件查询等。 ...
SQL语言因其成熟性和稳定性仍受到数据分析师的青睐,但Hive的出现让这些技能能更好地应用于大数据环境中。 #### Hive简介 Hive是一个建立在Hadoop上的数据仓库框架,其目的是使那些熟悉SQL但不熟悉Java的数据分析师...
5. **流式处理与并行计算**:Pig会自动将Pig Latin语句转化为一系列MapReduce任务,这些任务在Hadoop集群中并行执行,极大地提高了处理速度。例如,一个JOIN操作会被分解为多个MapReduce作业,每个作业处理一部分...
Pig是Apache Hadoop项目中的一个数据处理工具,它提供了一种高级的编程语言,称为Pig Latin,用于编写复杂的数据处理作业。在这个实验报告中,我们将深入理解Pig的安装、配置以及基本使用方法。 **一、Pig的安装与...
Hive将SQL语句转换为MapReduce任务执行,简化了大数据处理的复杂度。 4. **Pig**:Apache Pig是Hadoop生态系统中的一个高级数据分析平台,它提供了一种称为Pig Latin的脚本语言,用于处理和分析大规模数据。Pig ...
Pig Latin 的语句通常是逐步执行的,每一步都对应一个数据转换操作,如过滤(FILTER)、分组(GROUP)和聚合(AGGREGATE)。这种编程风格使程序更容易理解和调试。Pig Latin 程序更像是一种查询执行计划的规范,而非...
Spark SQL是Spark DataFrame模块中负责执行SQL语句的部分,用户可以通过SQL接口查询数据或者对数据进行聚合、联接等操作,这些操作都是通过Spark SQL的优化器Catalyst来高效执行的。 Catalyst是Spark SQL的查询优化...
Apache Pig的出现,让开发者可以使用类SQL语句来编写程序,从而调用Hadoop的分布式处理能力,这极大地降低了分布式系统开发的门槛。 推荐系统在互联网行业中发挥着重要作用,特别是针对信息过载的问题。它们通过...
然而,在分布式数据库系统如HBase中,由于其底层依赖Hadoop的HDFS文件系统,SQL查询需要通过MapReduce作业来实现。MapReduce是一种并行处理模型,虽然抽象层次较高,但直接编写MapReduce程序仍然较为复杂,尤其对于...
本文介绍的自定义SQL Server函数即实现了一种特殊的修约规则——“四舍六入五单进”的修约方法,并且已经在实际项目中经过验证并投入使用。 #### 四舍六入五单进修约规则解析 所谓的“四舍六入五单进”,是一种...
Hive是由Facebook开发的数据仓库系统,它允许用户使用类似于SQL的查询语言(HiveQL)对存储在Hadoop文件系统中的大量数据进行分析。Hive的主要优点在于其提供了数据抽象和简单的查询接口,使得非程序员,如数据分析...
综上所述,Hadoop生态系统中各种技术的出现和应用,使得大数据处理变得更加高效和多样化。通过对比不同的技术,我们可以发现,每种技术都有其独特的优势和适用场景,合理地选择和组合这些技术,可以更好地解决实际中...
Pig Latin旨在简化那些不熟悉Java的用户的编程体验,它允许用户通过类似SQL的语句进行数据处理任务,如排序、过滤、聚合、分组和关联操作。Pig Latin可以看作是一种轻量级的脚本语言,其编写的脚本会被转化为Map-...