Pigsql
1、Pig的介紹:shell
Pig由Yahoo開發,主要應用於數據分析,Twitter公司大量使用Pig處理海量數據,Pig之因此是數據分析引擎,是由於Pig至關於一個翻譯器,將PigLatin語句翻譯成MapReduce程序(只有在執行dump和store命令時纔會翻譯成MapReduce程序),而PigLatin語句是一種用於處理大規模數據的腳本語言。函數
2、Pig與Hive的相同與區別:工具
相同:oop
一、Hive和Pig都是數據分析引擎,除此以外,還有Spark中的Spark SQL和Cloudera開發的Impala等。大數據
二、Hive和Pig都簡化了MapReduce程序的開發。人工智能
不一樣:命令行
一、Hive做爲數據分析引擎有必定限制,只能分析結構化數據,由於Hive的數據模型是表結構,雖然沒有數據存儲引擎,須要用戶在建立表時指定分隔符(默認以Tab鍵做爲分隔符):row format delimited field terminated by ‘,’,而Pig的數據模型是包結構,由tuple和field組成,所以能夠分析任意類型的數據。翻譯
二、Hive使用的是sql語句分析數據,sql語句是一種聲明式語言,Pig使用的是PigLatin語句分析數據,PigLatin語句是一種過程式語言/腳本語句。日誌
三、Hive中的內置函數不用大寫,Pig中的內置函數必需要大寫。
舉例:按照部門號對員工表分組並求每一個部門中薪水的最大值:
sql語句:select deptno,max(sal) from emp group by deptno;
PigLatin語句:emp1 = group emp by deptno;
emp2 = foreach emp1 generate group,MAX(emp.sal)
dump emp2;
(PigLatin語句注意事項:等號先後要有空格)
四、Hive保存元信息,所以數據模型不用重建,而Pig不保存元信息,所以數據模型須要重建。
五、因爲PigLatin語句是腳本語言,所以Hive執行速度比Pig更快。
六、 因爲Hive的數據模型是表結構,所以Hive是先建立表,後加載數據,而Pig的數據模型是包結構,Pig在加載數據的同時建立包。
舉例:建立一份員工表
sql語句:
一、建立表:
create table emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal int,
comm int,
deptno int
)row format delimited field terminated by ',';
二、加載HDFS中的數據:
load data inpath '/scott/emp.csv' into table emp;
PigLatin語句:
加載數據的同時建立包:load後加載數據,using後指定分隔符,as後指定包結構
emp=load'/scott/emp.csv'usingPigStorage(',')as(empno:int,ename:chararray,job:chararray,mgr:int,hiredate:chararray,sal:int,comm:int,deptno:int);
3、Hive數據模型和Pig數據模型的差異:
一、Hive的數據模型是表,表由行和列組成,表不能夠嵌套,Pig的數據模型是包,包由tuple和field組成,包能夠嵌套。
二、表中每一行的列徹底相同,包中每一行的列能夠不相同,能夠動態增長。
4、Pig的安裝和配置:
一、安裝pig:tar -zxvf pig-0.17.0.tar.gz -C ~/traing
二、配置PIG_HOME環境變量:
export PIG_HOME=/root/training/pig-0.17.0
export PATH=$PIG_HOME/bin:$PATH
5、Pig的安裝模式:
一、本地模式:訪問本地主機,pig至關於本地的客戶端。
二、集羣模式:訪問Hadoop集羣,pig至關於Hadoop的客戶端。
注:一、集羣模式須要配置PIG_CLASSPATH環境變量,用於鏈接到Hadoop上:
export PIG_CLASSPATH=/root/training/hadoop-2.7.3/etc/hadoop
二、啓動pig的集羣模式前,須要先啓動historyserver,由於pig在hadoop上執行任務後須要與historyserver通訊,解析執行日誌肯定任務執行是否成功:
mr-jobhistory-daemon.sh start historyserver
6、Pig的經常使用命令:操做HDFS
ls、cd、cat、mkdir、pwd、copyFromLocal(上傳)、copyToLocal(下載)、register、define等。
7、操做Pig:
一、命令行:pig提供了一個shell終端與用戶進行交互,用戶能夠進行增刪改查操做。
啓動pig命令行模式,進入本地模式:pig -x local
啓動pig命令行模式,進入集羣模式:pig - x mapredcue/pig
(pig沒有API能夠操做)
8、經常使用的PigLatin語句:
load:加載數據
foreach:逐行掃描
generate:提取列
filter:過濾
distinct:去重
order by:排序
group by:分組
join:多表查詢
union:聯合查詢
dump:把結果輸出到屏幕上
store:把結果保存到HDFS上
9、使用PigLatin語句分析數據:
建立員工表:load後加載數據,using後指定分隔符,as後指定包結構
emp = load '/scott/emp.csv' using PigStorage(',') as(empno:int,ename:chararray,job:chararray,mgr:int,hiredate:chararray,sal:int,comm:int,deptno:int);
describe emp;
查看員工表:2
SQL:select * from emp;
PL:emp0 = foreach emp generate *;
dump emp0;
建立部門表:
dept = load '/scott/dept.csv' using PigStorage(',') as(deptno:int,dname:chararray,loc:chararray);
查看部門表:
SQL:select * from dept;
PL:dept0 = foreach dept generate *;
dump dept0;
查詢員工號、員工名和薪水:
SQL:select empno,ename,sal from emp;
PL:emp1 = foreach emp generate empno,ename,sal;
dump emp1;
根據薪水對員工表排序:
SQL:select sal from emp order by sal;
PL:emp2 = order emp by sal;
dump emp2;
按照部門號對員工表分組並求每一個部門中薪水的最大值:
SQL:select deptno,max(sal) from emp group by deptno;
PL:emp3 = group emp by deptno;
emp4 = foreach emp3 generate group,MAX(emp.sal);
dump emp4;
查看十、20、30號部門的員工
SQL:select * from emp where deptno=10;
select * from emp where deptno=20;
select * from emp where deptno=30;
PL:emp5 = filter emp by deptno==10;
dump emp5;
emp6 = filter emp by deptno==20;
dump emp6;
emp7 = filter emp by deptno==30;
dump emp7;
多表查詢,查詢員工名和部門名:
SQL:select emp.ename,dept.dname from emp,dept where emp.deptno=dept.deptno;
PL:emp8 = join emp by deptno,dept by deptno
emp9 = foreach emp8 generate emp::ename,dept::dname;
dump emp9;
內鏈接:
C = join A by id,B by id;
外鏈接:
左外鏈接:C = join A by id left outer,B by id; #以左側數據爲基準,只返回左側有的數據
右外鏈接:C = join A by id right outer,B by id;#以右側數據爲基準,只返回右側有的數據
全外鏈接:C = join A by id full outer, B by id;#兩側數據都返回
聯合查詢,查詢10號部門和20號部門的員工:
SQL:select * from emp where deptno=10
union
select * from dept where deptno=20;
PL: emp10 = filter emp by deptno==10;
emp11 = filter emp by deptno==20;
emp12 = union emp10,emp11;
實現wordcount;
加載數據
mydata = load '/output/data2.txt' as (line:chararray);
將字符串分割成單詞
words = foreach mydata generate flatten(TOKENIZE(line)) as word;
對單詞分組
grpd = group words by word;
統計每組中單詞數量
cntd = foreach grpd generate group,COUNT(words);
結果顯示到屏幕上
dump cntd;
結果存儲到HDFS上
store cntd into '/pig';
經常使用的大數據工具
做者:李金澤AlllenLI,清華大學碩士研究生,研究方向:大數據和人工智能