pig学习

一、pig：

　　pig提供了一个基于Hadoop的并行地执行数据流处理的引擎。它包含了一种脚本语言，称为Pig Latin。（类似SQL）

二、pig本地安装(仅用于本地小代码测试）：

下载地址：https://mirrors.tuna.tsinghua.edu.cn/apache/pig/pig-0.17.0/

创建Pig安装目录并解压到该目录下：

mkdir /opt/pig_home

tar -zxvf pig-0.17.0.tar.gz -C /opt/pig_home

设置环境变量：

vim /etc/profile

加入

export PIG_HOME=/opt/pig_home/pig-0.17.0

export PATH=$PATH:$PIG_HOME/bin

source /etc/profile

检测是否成功：

pig –x local ：即可进入pig交互式界面。

三、Pig Latin语法：

1、数据类型：

基本类型: int 、long、float、double、chararray、bytearray

复杂类型：Map、Tuple、Bag

Tuple：行/记录，有序的字段集合，如('bob'，55)为一个包含两个字段的tuple常量。

Bag：表，无序的tuple集合，如{('bob'，55),('sally'，52),('john'，25)}为一个包含三个tuple的bag. [ pig中没有list或者set类型，所以常将一个int字段放入tuple中，再放入bag中，如{(1),(2),(3)} ]

Field：属性/字段，Pig不要求同一个bag里的每个tuple有相同数量或者相同类型的field

pig中有null值概念，其表示该值是未知的，可能是因为确实或者处理数据时发生了错误。

关系（relation）、包（bag）、元组（tuple）、字段（field）、数据（data）的关系

- 一个关系（relation）是一个包（bag），更具体地说，是一个外部的包（outer bag）。
- 一个包（bag）是一个元组（tuple）的集合。在pig中表示数据时，用大括号{}括起来的东西表示一个包——无论是在教程中的实例演示，还是在pig交互模式下的输出，都遵循这样的约定，请牢记这一点，因为不理解的话就会对数据结构的掌握产生偏差。
- 一个元组（tuple）是若干字段（field）的一个有序集（ordered set）。在pig中表示数据时，用小括号()括起来的东西表示一个元组。
- 一个字段是一块数据（data）。

2、注释：

　　　　单行：--　　

　　　　多行：/* */

3、输入和输出：

　　　　加载：load '文件'

　　　　　　　　using PigStorage(',');

　　　　　　　　as (exchange:int,symbol:long,date:int,dividends:chararry);

　　　　　　　　 //使用内置函数PigStorage函数，指定分隔符为','；还有一个加载函数是TextLoader。

　　　　　　　　//采用as指定加载数据的模型。

　　　　存储：store 变量 into '输出文件';

　　　　输出：dump 变量；//打印，只有dump 或者descrip 描述的时候才会执行代码，若之前有group 等等语句，只是把他们加入到逻辑计划中，pig开始执行的是dump 语句，此时逻辑计划被编译成物理计划

　　　　查看数据关系：describe 变量；//用于查看变量字段关系。[直接快速将变量schema打印出来,比dump速度快]

4、关系操作：

foreach、Filter、Group、Order、Distinct、Join、Limit

5、foreach：

逐行扫描进行某种处理，接受一组表达式，然后将它们应用到每条记录中。

比如：加载完所有记录，只保留user和id两个字段。

A = load 'input' as (user:chararray , id:long , address:chararray, password: long, date: int, name: chararray);
B = foreach A generate user,id;

可以用*代表全部字段或者..来指定字段区间。

A = load 'input' as (user:chararray , id:long , address:chararray, password: long, date: int, name: chararray);

B = foreach A generate ..password;  --[产生user , id , address, password字段]

C = foreach A generate address..date;  --[产生address, password,date字段]

两列操作：

A = load 'input' as (a:int , b:int , c:int);

B = foreach A generate b - c;

C = foreach A generate $1 - $2; -- [B 和C 是一样的,$0表示第一个字段，以此类推]

foreach 语句中的UDF（自定义函数），如：A = load 'input' as (a,b); B = foreach data generate UPPER(a) as a, b;
类型转换：直接在字段前面加（类型），如：time字段原本的类型为chararray, （int)time即可。
+/-/*//加减乘除都可以用。
？：像C++中的一样用。2==2？1：4返回1.
tuple的映射是用.(点），如

A = load 'input' as (t:tuple(x:int,y:int));

B = foreach A generate b - c;

bag不能直接映射tuple，可映射tuple内的字段，生成新的bag。

如 A 为{group:int,data:{(a:int,b:int,c:int)}},--数据为

B = foreach A generate data.a;  --B：{{(a:int)}} 数据为

({(1),(1)})

({(3),(3)})

({(5)})

C = foreach A generate data.(a,b); --C:{{(a:int,b:int)}}, 数据为

({(1,4),(1,2)})

({(3,1),(3,4)})

({(5,6)})

以下是错误的：

data = load 'input.txt' as (a:int, b: int, c: int); --data: {a:int,b:int,c:int} ，数据为

（1,2,6）

（3,4,5）

（5,6,2）

（1,4,2）

（3,1,3）

group_data = group data by a;  -- 产生包含对于a给定的值对应的所有记录的bag ，{group:int,data:{(a:int,b:int,c:int)}}，数据为

（1,{(1,4,2),(1,2,6)})

（3,{(3,1,3),(3,4,5)})

（5,{(5,6,2)})
D = foreach group_data generate SUM(data.b+ data.c);

应该修改成：

data = load 'input.txt' as (a:int, b: int, c: int); 

A1 = foreach data generate a, b + c as bc;  -- A1:{a:int,bc:int}，数据为

(1,8)

(3,9)

(5,8)

(1,6)

(3,4)

B1 = group A1 by a; --B1:{group:int,A1:{(a:int,bc:int)}} ，数据为 

（1,{（1,6），（1,8）}）

（3,{（3,4），（3,9）}）

（5,{（5,8）}）
C = foreach B1 generate SUM(A1.bc); -- C:{long}，数据为

（14）

（13）

（8）

　　　　Order by：

　　　　Distinct：

　　　　Join：

　　　　Limit：

6、filter:

不可以在generate中使用。

过滤出字段name为非空值的行。如：divs = filter data by name is not null;
匹配正则的行,获取字段name中不是BOB.*这种形式的。如：divs = filter data by not name matches 'BOB.*'; [ and / or / not布尔操作符 , and若执行第一个逻辑为false，后面就不执行了 ]

7、Group by :

可以将具有相同键值的数据聚合在一起。https://www.cnblogs.com/lishouguang/p/4559593.html

group by语句的输出结果包含两个字段，一个是键，另一个是包含了聚集的记录的bag。存放键的字段别名为group。而bag的别名和被分组的那条语句的别名。

注意：这里group的key字段类型不能是bag。

如：将两个key组合group。

data = load 'input.txt' as (a:int, b: int, c: int); -- data:{a:int, b:int, c:int} ，数据为

（1,2,6）

（3,4,5）

（5,6,2）

（1,4,2）

（3,1,3）
two_key_group = group data by (a,b);

,数据为

若要获取group.a和group.b可以通过flatten(group)来得到，即

flatten_data = FOREACH two_key_group generate flatten(group), data.a,data.b;

，数据为

如：group all, 对用户的数据流中所有字段进行分组，原本bag数据值没变化，只是顺序打乱了。

all_group = group data all;

,数据为

如：log = FOREACH (GROUP log ALL) GENERATE FLATTEN(log); [在将order_log存入文件之前执行这句话的作用是希望将order_log只存到一个文件中，而不是多个文件中，因为pig存文件时会将一个变量拆分成多个文件来存]

8、order by:

默认升序，降序采用desc。

-- data:

(1,2,6)
(3,4,5)
(5,6,2)
(1,4,2)
(3,1,3)

order_data = order data by a desc, b; 

(5,6,2)
(3,1,3)
(3,4,5)
(1,2,6)
(1,4,2)

9、distinct, 去重。

data = load 'input'
uniq = distinct data;

10、join

将两个表连接起来，其中采用::来获取某个表的某个字段，如表A的a字段和表B的a字段分别为，A::a和B::a。

https://www.cnblogs.com/lishouguang/p/4559602.html

jnd = join a by f1, b by f2;

join操作默认的是内连接，只有两边都匹配才会保留

需要用null补位的那边需要知道它的模式：

如果是左外连接，需要知道右边的数据集的模式，不匹配的字段用null补位

如果是右外连接，需要知道左边的数据集的模式，不匹配的字段用null补位

如果是全外连接，需要知道两边的数据集的模式，不匹配的字段用null补位

触发reduce阶段

基本用法：

a = load 'input1';
b = load 'input2';
jnd = join a by $0, b by $1;

多字段连接：

a = load 'input1' as (username, age, city);
b = load 'input2' as (orderid, user, city);
jnd = join a by (username, city), b by (user, city);

:: join后的字段引用

a = load 'input1' as (username, age, address);
b = load 'input2' as (orderid, user, money;
jnd = join a by username, b by user;
result = foreach jnd generate a::username, a::age, address, b::orderid;

多数据集连接

a = load 'input1' as (username, age);
b = load 'input2' as (orderid, user);
c = load 'input3' as (user, acount);
jnd = join a by username, b by user, c by user;

外连接 仅限两个数据集

a = load 'input1' as (username, age);
b = load 'input2' as (orderid, user);
jnd = join a by username left outer, b by user;
jnd = join a by username right, b by user;
jnd = join a by username full, b by user;

自连接 需要加载自身数据集两次，使用不同的别名

a = load 'data' as (node, parentid, name);
b = load 'data' as (node, parentid, name);
jnd = join a by node, b by parentid;

https://www.aboutyun.com/thread-14881-1-1.html

1) Replicated Join
  当进行Join的一个表比较大，而其他的表都很小(能够放入内存)时，Replicated Join会非常高效。
  Replicated Join会把所有的小表放置在内存当中，然后在Map中读取大表中的数据记录，和内存中存储的小表的数据进行Join，得到Join结果，无需Reduce。
  可以在Join时使用 Using 'replicated'语句来触发Replicated Join，大表放置在最左端，其余小表(可以有多个)放置在右端。

  2) Skewed Join
当进行Join的两个表中，一个表数据记录针对key的分布极其不均衡的时候，简单的使用Hash来分配Reduce端的key时，可能导致某些Reducer上的数据量特别大，降低整个集群的性能。
  Skewed Join可以首先对左边的表的key统计其分布，然后决定Reduce端的key的分布，尽量使得Reduce端的数据分布比较均衡
  可以在Join时使用Using 'skewed'语句来触发Skewed Join，需要进行统计的表(亦即key可能分布不均衡的表)放置在左端。

  3) Merge Join
当进行Join的两个表都已经是有序的时，可以使用Merge Join。
  Join时，首先对右端的表进行一次采样，对采样的数据创建索引，记录(key, 文件名, 偏移[offset])。然后进行map，读取Join左边的表，对于每一条数据记录，根据前一步计算好的索引来查找数据，进行Join。
  可以在Join时使用Using 'merge'语句来触发Merge Join，需要创建索引的表放置在右端。
  另外，在进行Join之前，首先过滤掉key为Null的数据记录可以减少Join的数据量。

11、Limit：

只取几条数据查看

data = load 'inut';
first10 = limit data 10;

12、Sample：

用于抽样样本数据，会读取所有的数据然后返回一定百分比的行数的数据。

data = load 'inut';
sample_data = sample data 0.1;

13、Parallel：

附加到任一个关系操作符后面，控制reduce 阶段的并行。

data = load 'inut' as (a,b,c);
bya =group data by a parallel 10;  -- 触发Mapreduce任务具有10个reducer。

14、flatten：

降低bag或tuple嵌套级别。

15、自定义函数UDF：

　　　　注册非pig内置的UDF：REGISTER '…….jar‘；

　　　　define命令和UDF：define命令可用于为用户的Java UDF定义一个别名，这样用户就不需要写那么冗长的包名全路径了，它也可以为用户的UDF的构造函数提供参数。

　　　　set：在pig脚本前面加上set ***；这个命令可在Pig脚本的开头来设置job的参数；

三、例子：

1、group使用

data.txt文件内容：

1,2,6

3,4,5

5,6,2

1,4,2

3,1,3

>> data = load 'data.txt' using PigStorage(',') as (a:int,b:int,c:int);

>> describe data; [describe速度快，不需要去执行代码]

data: {a: int,b: int,c: int}

1、使用三目运算符来替换空值

B = FOREACH A GENERATE ((col1 is null) ? -1 ：col1)

-- 替换bag空值, 其中col1为bag，类型为{（int）,(int)}

C = FOREACH A GENERATE ((col1 is null or IsEmpty(col1)) ? {(0)} ：col1;

2、外连接JOIN：

LEFT：左边的数据全量显示

A = LOAD '1.txt' USING PigStorage('	') AS (col1:int , col2:chararray);
B = LOAD '2.txt' USING PigStorage('	') AS ( col1:int , col2:chararray);
C = JOIN A BY col1 LEFT , B BY col1;
DESCRIBE C;
DUMP C;

3、合并文件A和B的数据：

A = LOAD 'A.txt';
B = LOAD 'B.txt';
C = UNION A,B;
DUMP C;

4、表示文件的第一个字段（第一列）：$0；

5、pig统计文件的词频：TOKENIZE

-- 统计数据的行数

cd hdfs:///

A = LOAD '/logdata/2012*/*/nohup_*' AS (name:chararray) ;

B = GROUP A BY name;

C = FOREACH B GENERATE group, COUNT(A);

D = ORDER C BY ($1);

E = FILTER D BY $1 > 200;

dump E;

-- 统计单词的个数

A = LOAD'/logdata/20130131/*/*' AS (line: chararray) ;

B = foreach A generate flatten(TOKENIZE((chararray)$0)) as word;

C = group B by word;

D = foreach C generate COUNT(B), group;

E = ORDER D BY ($0);

F = FILTER E BY $0> 200;

DUMP F;

TOKENIZE函数：https://www.w3cschool.cn/apache_pig/apache_pig_tokenize.html

flatten函数：https://blog.csdn.net/iteye_20817/java/article/details/82545911

flatten在英文的意思弄平整的意思，这个操作符在不同的场景有不同的功能。

1. flatten tuple
flatten会把tuple内容打开，下面举例：

-- A结构：(a, (b, c))
B = foreach A GENERATE $0, flatten($1)

B返回结果(a,b,c)

2. flatten bag
flatten会把bag内容打开，每个tuple是一行，即列转换为行

-- A结构：({(b,c),(d,e)})
B = foreach A generate flatten($0)

B返回结果
(b,c)
(d,e)

举例子：

1.txt;

    i am hadoop  
    i am hadoop  
    i am lucene  
    i am hbase  
    i am hive  
    i am hive sql  
    i am pig

pig代码：

--load文本的txt数据，并把每行作为一个文本  
a = load '1.txt' as (f1:chararray);  
--将每行数据，按指定的分隔符（这里使用的是空格）进行分割，并转为扁平结构  
b = foreach a generate flatten(TOKENIZE(f1, ' '));  
--对单词分组  
c = group b by $0;  
--统计每个单词出现的次数  
d = foreach c generate group ,COUNT($1);  
--存储结果数据  
stroe d into '$out'

##注意,COUNT函数一定要大写,不然会报错: ERROR org.apache.pig.PigServer- exception during parsing:Error during parsing. Could not resolve count using imports:[, java.lang., org.apache.pig.builtin., org.apache.pig.impl.builtin.]

处理的结果：

    (i,7)  
    (am,7)  
    (pig,1)  
    (sql,1)  
    (hive,2)  
    (hbase,1)  
    (hadoop,2)  
    (lucene,1)

取topN功能：

-- 按统计次数降序  
e = order d by $1 desc;  
--取top2  
f = limit e 2;  
--存储结果数据  
stroe f into '$out'

6、pig嵌套循环

https://blog.csdn.net/jameshadoop/article/details/24838915

7、pig传参

A = LOAD '$INPUT_DIR' AS (t0:long, msisdn:chararray, t2:chararray, t3:chararray, t4:chararray,t5:chararray, t6:long, t7:long, t8:long, t9:long, t10:chararray);
B = FOREACH A GENERATE msisdn, t6, t7, t8, t9;
C = GROUP B BY msisdn;
D = FOREACH C GENERATE group, SUM(B.t6), SUM(B.t7), SUM(B.t8), SUM(B.t9);
STORE D INTO '$OUTPUT_DIR';

pig -p INPUT_DIR=hdfs://mycluster/pig/in -p OUTPUT_DIR=hdfs://mycluster/pig/out ./schedule.pig
---------------------
原文：https://blog.csdn.net/aaronhadoop/article/details/44310633

PIG 命令行传多个参数

PIG 命令行执行脚本，多个参数传递问题终于解决了，实例如下：

pig -p startdate=2011-03-21 -p enddate=2011-03-28 script.pig

这样就可以实现多个参数传递的例子，但其中，如果参数值中存在空格，则会报错，
原文：https://blog.csdn.net/iteye_19679/article/details/82580903

8、两列相除：

# 两个整数相除，如何得到一个float
A = LOAD '16.txt' AS (col1:int, col2:int);
B = FOREACH A GENERATE (float)col1/col2;
DUMP B;
# 注意先转型在计算，而不是(float)(col1/col2);

9、filter正则匹配：

　https://www.cnblogs.com/lishouguang/p/4559300.html

 
1）等值比较
filter data by $0 == 1
filter data by $0 != 1
 
2）字符串 正则匹配  JAVA的正则表达式
字符串以CM开头
filter data by $0 matches 'CM.*';

字符串包含CM
filter data by $0 matches '.*CM.*';

 
3）not
filter data by not $0==1;
filter data by not $0 matches '.*CM.*';

　　 
4）NULL处理
filter data by $0 is not null;

　　 
5）UDF
filter data by isValidate($0);

　　 
6）and or
filter data by $0!=1 and $1>10

10、修改Pig作业执行的queue

作业提交到的队列：mapreduce.job.queuename

作业优先级：mapreduce.job.priority，优先级默认有5个:LOW VERY_LOW NORMAL（默认） HIGH VERY_HIGH
1、静态设置
1.1 Pig版本

SET mapreduce.job.queuename root.etl.distcp;

SET mapreduce.job.priority HIGH;
---------------------
作者：wisgood 来源：CSDN
原文：https://blog.csdn.net/wisgood/article/details/39075883

https://my.oschina.net/crxy/blog/420227?p=1

基本用法

a = load 'input1';
b = load 'input2';
jnd = join a by $0, b by $1;

多字段连接

a = load 'input1' as (username, age, city);
b = load 'input2' as (orderid, user, city);
jnd = join a by (username, city), b by (user, city);

:: join后的字段引用

a = load 'input1' as (username, age, address);
b = load 'input2' as (orderid, user, money;
jnd = join a by username, b by user;
result = foreach jnd generate a::username, a::age, address, b::orderid;

多数据集连接

a = load 'input1' as (username, age);
b = load 'input2' as (orderid, user);
c = load 'input3' as (user, acount);
jnd = join a by username, b by user, c by user;

外连接 仅限两个数据集

a = load 'input1' as (username, age);
b = load 'input2' as (orderid, user);
jnd = join a by username left outer, b by user;
jnd = join a by username right, b by user;
jnd = join a by username full, b by user;

自连接 需要加载自身数据集两次，使用不同的别名

a = load 'data' as (node, parentid, name);
b = load 'data' as (node, parentid, name);
jnd = join a by node, b by parentid;