原创不易,转载请务必注明,原创地址,谢谢配合!
http://qindongliang.iteye.com/
Pig系列的学习文档,希望对大家有用,感谢关注散仙!
Apache Pig的前世今生
Apache Pig如何自定义UDF函数?
Apache Pig5行代码怎么实现Hadoop的WordCount?
Apache Pig入门学习文档(一)
Apache Pig学习笔记(二)
Apache Pig学习笔记之内置函数(三)
玩转大数据系列之Apache Pig如何与Apache Lucene集成(一)
玩转大数据系列之Apache Pig如何与Apache Solr集成(二)
玩转大数据系列之Apache Pig如何与MySQL集成(三)
玩转大数据系列之如何给Apache Pig自定义存储形式(四)
玩转大数据系列之Apache Pig如何通过自定义UDF查询数据库(五)
如何使用Pig集成分词器来统计新闻词频?
在Hadoop的生态系统中,如果我们要离线的分析海量的数据,大多数人都会选择Apache Hive或Apache Pig,在国内总体来说,Hive使用的人群占比比较高, 而Pig使用的人相对来说,则少的多,这并不是因为Pig不成熟,不稳定,而是因为Hive提供了类数据库SQL的查询语句,使得大多人上手Hive非常容易,相反而Pig则提供了类Linux shell的脚本语法,这使得大多数人不喜欢使用。
如果在编程界,统计一下会SQL和会shell,那个人数占的比重大,散仙觉得,毫无疑问肯定是SQL语句了。因为有相当一部分编程人员是不使用Linux的,而是微软的的一套从C#,到ASP.NET,SQL Server再到Windows的专用服务器 。
OK,扯远了,赶紧回来,使用shell的攻城师们,我觉得都会爱上它的,因为在linux系统中,没有比shell更简洁易用了,如果再配上awk和sed更是如虎添翼了。
我们都知道shell是支持函数调用的,这一点和JavaScript是非常类似的,通过定义函数我们可以重复使用某个功能,而不用再次大量编码,其中,把变的东西,分离成参数,不变的东西定义成语句,这样以来,就能够降低编码的冗余和复杂性,试想一下,如果Java里,没有方法,那将会是多么不可思议的一件事。
Pig作为类shell的语言,也支持了函数的方式,封装某个功能,以便于我们重用,这一点相比Hive来说,是一个很好的优势。
下面先看下定义Pig函数(也叫宏命令)定义的语法:
DEFINE (macros) :
支持的参数:
alias pig的标量引用
整形(integer)
浮点型(float)
字符串(String)
下面看几个例子,让我们迅速对它熟悉并掌握,先看下我们的测试数据:
再看下pig脚本:
在上面的脚本中,散仙定义了三个函数,
(1)分组统计数量
(2)自定义输出存储
(3)自定义过滤并结合(1)统计数量
通过这3个例子,让大家对pig函数有一个初步的认识,上面的函数和代码都在一个脚本中,这样看起来不太友好,而且重用性,还没有得到最大发挥,实际上函数和主体脚本是可以分离的,再用的时候,我们只需要导入函数脚本,即可拥有所有的函数功能,这样一来,函数脚本被分离到主脚本外面,就大大增加了函数脚本的重用性,我们也可以再其他脚本中引用,而且函数脚本中也可以再次引用其他的函数脚本,但前提是不能够,递归引用,这样Pig语法在执行时,是会报错的,下面看下分离后的脚本文件:
一:函数脚本文件
二,主体脚本文件
需要注意的是,导入的函数文件,需要用单引号引起来,这样我们就完成了pig函数的重用,是不是非常类似shell的语法呢?有兴趣的同学们,赶紧体验一把吧!
http://qindongliang.iteye.com/
Pig系列的学习文档,希望对大家有用,感谢关注散仙!
Apache Pig的前世今生
Apache Pig如何自定义UDF函数?
Apache Pig5行代码怎么实现Hadoop的WordCount?
Apache Pig入门学习文档(一)
Apache Pig学习笔记(二)
Apache Pig学习笔记之内置函数(三)
玩转大数据系列之Apache Pig如何与Apache Lucene集成(一)
玩转大数据系列之Apache Pig如何与Apache Solr集成(二)
玩转大数据系列之Apache Pig如何与MySQL集成(三)
玩转大数据系列之如何给Apache Pig自定义存储形式(四)
玩转大数据系列之Apache Pig如何通过自定义UDF查询数据库(五)
如何使用Pig集成分词器来统计新闻词频?
![](https://i-blog.csdnimg.cn/blog_migrate/d375873fb87df8d4cff9dee809c276b6.png)
在Hadoop的生态系统中,如果我们要离线的分析海量的数据,大多数人都会选择Apache Hive或Apache Pig,在国内总体来说,Hive使用的人群占比比较高, 而Pig使用的人相对来说,则少的多,这并不是因为Pig不成熟,不稳定,而是因为Hive提供了类数据库SQL的查询语句,使得大多人上手Hive非常容易,相反而Pig则提供了类Linux shell的脚本语法,这使得大多数人不喜欢使用。
如果在编程界,统计一下会SQL和会shell,那个人数占的比重大,散仙觉得,毫无疑问肯定是SQL语句了。因为有相当一部分编程人员是不使用Linux的,而是微软的的一套从C#,到ASP.NET,SQL Server再到Windows的专用服务器 。
![](https://i-blog.csdnimg.cn/blog_migrate/08df49676efa5a71f240eeddd74a11ce.jpeg)
OK,扯远了,赶紧回来,使用shell的攻城师们,我觉得都会爱上它的,因为在linux系统中,没有比shell更简洁易用了,如果再配上awk和sed更是如虎添翼了。
我们都知道shell是支持函数调用的,这一点和JavaScript是非常类似的,通过定义函数我们可以重复使用某个功能,而不用再次大量编码,其中,把变的东西,分离成参数,不变的东西定义成语句,这样以来,就能够降低编码的冗余和复杂性,试想一下,如果Java里,没有方法,那将会是多么不可思议的一件事。
Pig作为类shell的语言,也支持了函数的方式,封装某个功能,以便于我们重用,这一点相比Hive来说,是一个很好的优势。
下面先看下定义Pig函数(也叫宏命令)定义的语法:
DEFINE (macros) :
支持的参数:
alias pig的标量引用
整形(integer)
浮点型(float)
字符串(String)
下面看几个例子,让我们迅速对它熟悉并掌握,先看下我们的测试数据:
- 1,张三,男,23,中国
- 2,张三,女,32,法国
- 3,小花,男,20,英国
- 4,小红,男,16,中国
- 5,小红,女,25,洛阳
- 6,李静,女,25,中国河南安阳
- 7,王强,男,11,英国
- 8,张飞,男,20,美国
再看下pig脚本:
- --定义pig函数1 支持分组统计数量
- DEFINE group_and_count (A,group_key,number_reduces) RETURNS B {
- d = group $A by $group_key parallel $number_reduces;
- $B = foreach d generate group, COUNT($1);
- };
- --定义pig函数2 支持排序
- --A 关系引用标量
- --order_field 排序的字段
- --order_type 排序方式 desc ? asc ?
- --storedir 存储的HDFS路径
- --空返回值
- define my_order(A,order_field,order_type,storedir) returns void {
- d = order $A by $order_field $order_type ;
- store d into '$storedir' ;
- };
- --定义pig函数3,支持filter过滤,以及宏命令里面调用
- --定义过滤操作
- define myfilter (A,field,count) returns B{
- b= filter $A by $field > $count ;
- $B = group_and_count(b,'sex',1);
- };
- a = load '/tmp/dongliang/318/person' using PigStorage(',') AS (id:int,name:chararray,sex:chararray,age:int,address:chararray) ;
- --------pig函数1测试-----------------
- --定义按名字分组
- --bb = group_and_count(a,name,1);
- --定义按性别分组
- --cc = group_and_count(a,sex,1);
- --dump bb;
- --dump cc;
- -------pig函数2测试------------------
- --按年龄降序
- --my_order(a,age,'desc','/tmp/dongliang/318/z');
- --dump a;
- -------pig函数3测试------------------
- --过滤年龄大于20的,并按性别,分组统计数量
- r = myfilter(a,'age',20);
- dump r;
在上面的脚本中,散仙定义了三个函数,
(1)分组统计数量
(2)自定义输出存储
(3)自定义过滤并结合(1)统计数量
通过这3个例子,让大家对pig函数有一个初步的认识,上面的函数和代码都在一个脚本中,这样看起来不太友好,而且重用性,还没有得到最大发挥,实际上函数和主体脚本是可以分离的,再用的时候,我们只需要导入函数脚本,即可拥有所有的函数功能,这样一来,函数脚本被分离到主脚本外面,就大大增加了函数脚本的重用性,我们也可以再其他脚本中引用,而且函数脚本中也可以再次引用其他的函数脚本,但前提是不能够,递归引用,这样Pig语法在执行时,是会报错的,下面看下分离后的脚本文件:
一:函数脚本文件
- --定义pig函数1 支持分组统计数量
- --A 关系引用标量
- --group_key 分组字段
- --使用reduce的个数
- --返回最终的引用结果
- DEFINE group_and_count (A,group_key,number_reduces) RETURNS B {
- d = group $A by $group_key parallel $number_reduces;
- $B = foreach d generate group, COUNT($1);
- };
- --定义pig函数2 支持排序
- --A 关系引用标量
- --order_field 排序的字段
- --order_type 排序方式 desc ? asc ?
- --storedir 存储的HDFS路径
- --空返回值
- define my_order(A,order_field,order_type,storedir) returns void {
- d = order $A by $order_field $order_type ;
- store d into '$storedir' ;
- };
- --定义pig函数3,支持filter过滤,以及宏命令里面调用
- --A 关系引用标量
- --field 过滤的字段
- --count 阈值
- --返回最终的引用结果
- define myfilter (A,field,count) returns B{
- b= filter $A by $field > $count ;
- $B = group_and_count(b,'sex',1);
- };
- [search@dnode1 pigmacros]$
二,主体脚本文件
- --导入pig公用的函数库
- import 'function.pig' ;
- a = load '/tmp/dongliang/318/person' using PigStorage(',') AS (id:int,name:chararray,sex:chararray,age:int,address:chararray) ;
- --------pig函数1测试-----------------
- --定义按名字分组
- --bb = group_and_count(a,name,1);
- --定义按性别分组
- --cc = group_and_count(a,sex,1);
- --dump bb;
- --dump cc;
- -------pig函数2测试------------------
- --按年龄降序
- --my_order(a,age,'desc','/tmp/dongliang/318/z');
- --dump a;
- -------pig函数3测试------------------
- --过滤年龄大于20的,并按性别,分组统计数量
- r = myfilter(a,'age',20);
- dump r;
需要注意的是,导入的函数文件,需要用单引号引起来,这样我们就完成了pig函数的重用,是不是非常类似shell的语法呢?有兴趣的同学们,赶紧体验一把吧!