玩转大数据系列之Apache Pig高级技能之函数编程(六)

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?


技术分享

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 。



技术分享

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:

Java代码 技术分享 技术分享技术分享
  1. 1,张三,男,23,中国   
  2. 2,张三,女,32,法国   
  3. 3,小花,男,20,英国   
  4. 4,小红,男,16,中国   
  5. 5,小红,女,25,洛阳   
  6. 6,李静,女,25,中国河南安阳   
  7. 7,王强,男,11,英国   
  8. 8,张飞,男,20,美国  
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:

Java代码 技术分享 技术分享技术分享
  1. --定义pig函数1 支持分组统计数量   
  2. DEFINE group_and_count (A,group_key,number_reduces) RETURNS B {   
  3.     
  4.  d = group $A by $group_key parallel $number_reduces;   
  5.     
  6.  $B = foreach d generate group, COUNT($1);   
  7.   
  8. };   
  9.   
  10.   
  11. --定义pig函数2 支持排序   
  12. --A 关系引用标量   
  13. --order_field 排序的字段   
  14. --order_type 排序方式 desc ? asc ?   
  15. --storedir 存储的HDFS路径   
  16. --空返回值   
  17. define my_order(A,order_field,order_type,storedir) returns void {   
  18.     
  19.   d = order $A by $order_field $order_type ;   
  20.   store  d into ‘$storedir‘ ;     
  21.     
  22.   
  23. };    
  24.   
  25.   
  26. --定义pig函数3,支持filter过滤,以及宏命令里面调用   
  27.   
  28. --定义过滤操作   
  29. define  myfilter (A,field,count) returns B{   
  30.   
  31.    b= filter $A by $field > $count ;   
  32.   
  33.    $B = group_and_count(b,‘sex‘,1);   
  34.   
  35. };   
  36.   
  37.   
  38. a = load  ‘/tmp/dongliang/318/person‘ using PigStorage(‘,‘) AS (id:int,name:chararray,sex:chararray,age:int,address:chararray) ;   
  39.   
  40.   
  41. --------pig函数1测试-----------------   
  42.   
  43. --定义按名字分组   
  44. --bb = group_and_count(a,name,1);   
  45. --定义按性别分组   
  46. --cc = group_and_count(a,sex,1);   
  47. --dump bb;   
  48. --dump cc;   
  49.   
  50. -------pig函数2测试------------------   
  51.   
  52. --按年龄降序   
  53. --my_order(a,age,‘desc‘,‘/tmp/dongliang/318/z‘);   
  54.   
  55.   
  56.   
  57. --dump a;   
  58.   
  59.   
  60. -------pig函数3测试------------------   
  61.   
  62.  --过滤年龄大于20的,并按性别,分组统计数量   
  63.  r =  myfilter(a,‘age‘,20);   
  64.   
  65.   
  66. dump r;  
--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

Java代码 技术分享 技术分享技术分享
  1. --定义pig函数1 支持分组统计数量   
  2. --A 关系引用标量   
  3. --group_key 分组字段   
  4. --使用reduce的个数   
  5. --返回最终的引用结果   
  6. DEFINE group_and_count (A,group_key,number_reduces) RETURNS B {   
  7.     
  8.  d = group $A by $group_key parallel $number_reduces;   
  9.     
  10.  $B = foreach d generate group, COUNT($1);   
  11.   
  12. };   
  13.   
  14.   
  15. --定义pig函数2 支持排序   
  16. --A 关系引用标量   
  17. --order_field 排序的字段   
  18. --order_type 排序方式 desc ? asc ?   
  19. --storedir 存储的HDFS路径   
  20. --空返回值   
  21. define my_order(A,order_field,order_type,storedir) returns void {   
  22.     
  23.   d = order $A by $order_field $order_type ;   
  24.   store  d into ‘$storedir‘ ;     
  25.     
  26.   
  27. };    
  28.   
  29.   
  30. --定义pig函数3,支持filter过滤,以及宏命令里面调用   
  31. --A 关系引用标量   
  32. --field 过滤的字段   
  33. --count 阈值   
  34. --返回最终的引用结果   
  35.   
  36. define  myfilter (A,field,count) returns B{   
  37.   
  38.    b= filter $A by $field > $count ;   
  39.   
  40.    $B = group_and_count(b,‘sex‘,1);   
  41.   
  42. };   
  43.   
  44.   
  45.   
  46. [search@dnode1 pigmacros]$   
--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

Java代码 技术分享 技术分享技术分享
  1. --导入pig公用的函数库   
  2.   
  3. import ‘function.pig‘ ;   
  4.   
  5. a = load  ‘/tmp/dongliang/318/person‘ using PigStorage(‘,‘) AS (id:int,name:chararray,sex:chararray,age:int,address:chararray) ;   
  6.   
  7.   
  8. --------pig函数1测试-----------------   
  9.   
  10. --定义按名字分组   
  11. --bb = group_and_count(a,name,1);   
  12. --定义按性别分组   
  13. --cc = group_and_count(a,sex,1);   
  14. --dump bb;   
  15. --dump cc;   
  16.   
  17.   
  18. -------pig函数2测试------------------   
  19.   
  20. --按年龄降序   
  21. --my_order(a,age,‘desc‘,‘/tmp/dongliang/318/z‘);   
  22. --dump a;   
  23.   
  24.   
  25. -------pig函数3测试------------------   
  26.   
  27.  --过滤年龄大于20的,并按性别,分组统计数量   
  28.  r =  myfilter(a,‘age‘,20);   
  29.  dump r;  
--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!  

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。