Apache Pig的前世今生

最近，散仙用了几周的Pig来处理分析我们网站搜索的日志数据，感觉用起来很不错，今天就写篇笔记介绍下Pig的由来，除了搞大数据的人，可能很少有人知道Pig是干啥的，包括一些是搞编程的，但不是搞大数据的，还包括一些既不是搞编程的，也不是搞大数据的，而是从事其他行业的朋友，所以很有可能望文生义，一看标题，就乐了，心里就开始默默的翻译了===》 Apache 猪的笔记，看起来Apache的猪，比较厉害啊，都能写笔记了。 


开个玩笑，下面进入正题，散仙，尽量写的通俗易懂，让大家看了之后都能够理解这头Pig到底是干什么的。 

Pig最早是雅虎公司的一个基于Hadoop的并行处理架构，后来Yahoo将Pig捐献给Apache（一个开源软件的基金组织）的一个项目，由Apache来负责维护，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。Pig为复杂的海量数据并行计算提供了一个简 易的操作和编程接口，这一点和FaceBook开源的Hive（一个以SQL方式，操作hadoop的一个开源框架）一样简洁，清晰，易上手！ 

那么雅虎公司主要使用Pig来干什么呢？ 

1）吸收和分析用户的行为日志数据（点击流分析、搜索内容分析等），改进匹配和排名算法，以提高检索和广告业务的质量。 
2）构建和更新search index。对于web-crawler抓取了的内容是一个流数据的形式，这包括去冗余、链接分析、内容分类、基于点击次数的受欢迎程度计算(PageRank)、最后建立倒排表。 
3）处理半结构化数据订阅（data seeds）服务。包括：deduplcaitin（去冗余），geographic location resolution，以及 named entity recognition. 


使用Pig来操作hadoop处理海量数据，是非常简单的，如果没有Pig，我们就得手写MapReduce代码，这可是一件非常繁琐的事，因为MapReduce的任务职责非常明确，清洗数据得一个job，处理得一个job，过滤得一个job，统计得一个job，排序得一个job，编写DAG(带先后顺序依赖的)作业很不方便，这还可以接受，但是每次只要改动很小的一个地方，就得重新编译整个job，然后打成jar提交到Hadoop集群上运行，是非常繁琐的，调试还很困难，所以，在现在的大互联网公司或者是电商公司里，很少有纯写MapReduce来处理各种任务的，基本上都会使用一些工具或开源框架来操作。 



随着，数据海啸的来临，传统的DB(Oracle、DB2)已经不能满足海量数据处理的需求，MapReduce逐渐成为了数据处理的事实标准，被应用到各行各业中。所以，我们不再期望所有的客户都能快速开发应用相关代码，只能把客户的工作变得简单，就像使用SQL语言，经过简单培训就可以“云”上操作。 

Pig就是为了屏蔽MapReduce开发的繁琐细节，为用户提供Pig Latin这样近SQL语言处理能力，让用户可以更方便地处理海量数据。Pig将SQL语句翻译成MR的作业的集合，并通过数据流的方式将其组合起来。 

Pig的一个简单处理流程，如下所示： 



 
执行引擎如下所示： 
 

在Pig里面，每一步操作，都是一个数据流，非常容易理解，你想要什么，它就能得到什么，即使不能得到，我们也可以通过轻松扩展UDF来实现，比SQL更容易理解，每一步要做什么，非常容易上手和学习，在大数据时代，了解和使用Pig来分析海量数据是非常容易的。 

最后告诉大家一个好消息，在最新的Pig(0.14)发行版里，有两个重要的特性： 
（1）支持Pig运行在Tez上 
（2）支持Orc格式的存储 


如果你已经迫不及待想了解Pig了，那么请不要客气，直接点击Pig官网链接http://pig.apache.org/，里面有很全，很丰富的介绍和学习资料等着你的加入！ 



扫码关注微信公众号：我是攻城师（woshigcs），如果有什么疑问，技术问题，职业问题或求职问题，等，欢迎在公众号上留言与我探讨！让我们做不一样的攻城师！谢谢大家！  

 

本文出自 “7936494” 博客，请务必保留此出处http://7946494.blog.51cto.com/7936494/1600422