Apache Pig的一些基础概念及用法总结（2）

Mei笑D小妞

　　本文可以让刚接触pig的人对一些基础概念有个初步的了解。
本文的大量实例都是作者Darran Zhang（website: codelast.com）在工作、学习中总结的经验或解决的问题，并且添加了较为详尽的说明及注解，此外，作者还在不断地添加本文的内容，希望能帮助一部分人。
要查看Pig系列教程，请点击【这里】。
　　Apache pig是 用来处理大规模数据的高级查询语言，配合Hadoop使用，可以在处理海量数据时达到事半功倍的效果，比使用Java，C++等语言编写大规模数据处理程 序的难度要小N倍，实现同样的效果的代码量也小N倍。Twitter就大量使用pig来处理海量数据——有兴趣的，可以看Twitter工程师写的这个PPT。
但是，刚接触pig时，可能会觉得里面的某些概念以及程序实现方法与想像中的很不一样，甚至有些莫名，所以，你需要仔细地研究一下基础概念，这样在写pig程序的时候，才不会觉得非常别扭。
　　本文基于以下环境：
pig 0.8.1

先给出两个链接：pig参考手册1，pig参考手册2。本文的部分内容来自这两个手册，但涉及到翻译的部分，也是我自己翻译的，因此可能理解与英文有偏差，如果你觉得有疑义，可参考英文内容。
　　（1）LIMIT操作并不会减少读入的数据量
如果你只需要输出一个小数据集，通常你可以使用LIMIT来实现，例如：

1 2 3

A = LOAD '1.txt' AS (col1: int, col2: chararray); B = LIMIT A 5; DUMP B;

　　Pig会只加载5条记录，就不再读取其他的记录了吗？答案是：不会。Pig将读取数据文件中的所有记录，然后再从中挑5条。这是Pig可以做优化、却没有做的一点。
【更新】Pig 0.10已经有了这功能了：

Push Limit into Loader
Pig optimizes limit query by pushing limit automatically to the loader, thus requiring only a fraction of the entire input to be scanned.

按我的理解，上面这段话的含义是：Pig将LIMIT查询自动优化到loader中，这样就只会扫描整个输入数据集的一部分（而不是全部）。
　　文章来源：http://www.codelast.com/
（2）使用UDF不一定要在Pig脚本中REGISTER，也可以在命令行指定
大家知道，使用UDF需要在Pig脚本中REGISTER该UDF的jar包，但你可能不知道，你也可以不在Pig脚本中REGISTER它，而是通过命令行指定：

1	pig -Dpig.additional.jars=/home/codelast/a.jar:/home/codelast/b.jar:/home/codelast/c.jar test.pig

　　以上命令告诉了我们几件事：
①我们让Pig执行了test.pig脚本；
②我们向Pig传入了“pig.additional.jars”这样一个参数，此参数的作用相当于在Pig脚本中REGISTER jar包；
③如果你要REGISTER多个jar包，只需像上面的例子一样，用分号(:)把多个jar包路径隔开即可；
④test.pig必须写在最后，而不能写成“pig test.pig -Dpig.additional.jars=XXX”这样，否则Pig直接报错：

　　ERROR 2999: Unexpected internal error. Encountered unexpected arguments on command line – please check the command line.

　　当然，为了可维护性好，你最好把REGISTER jar包写在Pig脚本中，不要通过命令行传入。
　　（3）使用ORDER排序时，null会比所有值都小
用ORDER按一个字段排序，如果该字段的所有值中有null，那么null会比其他值都小。
　　（4）如何按指定的几个字段来去重
去重，即去除重复的记录。通常，我们使用DISTINCT来去除整行重复的记录，但是，如果我们只想用几个字段来去重，怎么做？
假设有以下数据文件：

1 2 3 4 5 6 7

[iyunv@localhost ~]$ cat 1.txt 1 2 3 4 uoip 1 2 3 4 jklm 9 7 5 3 sdfa 8 8 8 8 dddd 9 7 5 3 qqqq 8 8 8 8 sfew

　　我们要按第1、2、3、4个字段来去重，也就是说，去重结果应为：

1 2 3

1 2 3 4 uoip 9 7 5 3 sdfa 8 8 8 8 dddd

　　那么，我们可以这样做：

1 2 3 4 5 6 7

A = LOAD '1.txt' AS (col1: chararray, col2: chararray, col3: chararray, col4: chararray, col5: chararray); B = GROUP A BY (col1, col2, col3, col4); C = FOREACH B {   D = LIMIT A 1;   GENERATE FLATTEN(D); }; DUMP C;

　　文章来源：http://www.codelast.com/
输出结果为：

1 2 3

(1,2,3,4,uoip) (8,8,8,8,dddd) (9,7,5,3,sdfa)

　　代码很简单，就是利用了GROUP时会自动对group的key去重的功能，这里不用多解释大家应该也能看懂。
　　（5）如何设置Pig job的名字，使得在Hadoop jobtracker中可以清晰地识别出来
在Pig脚本中的一开始处，写上这一句：

1	set job.name 'This is my job';

　　将使得Pig job name被设置为“This is my job”，从而在Hadoop jobtracker的web界面中可以很容易地找到你的job。如果不设置的话，其名字将显示为“PigLatin:DefaultJobName”。
　　（6）“scalar has more than one row in the output”错误的一个原因
遇到了这个错误？我来演示一下如何复现这个错误。
假设有两个文件：

1 2 3 4 5 6

[iyunv@localhost ~]$ cat a.txt 1 2 3 4 [iyunv@localhost ~]$ cat b.txt 3 4 5 6

　　现在我们来做一个JOIN：

1 2 3 4 5

A = LOAD 'a.txt' AS (col1: int, col2: int); B = LOAD 'b.txt' AS (col1: int, col2: int); C = JOIN A BY col1, B BY col1; D = FOREACH C GENERATE A.col1; DUMP D;

　　这段代码是必然会fail的，错误提示为：

1	org.apache.pig.backend.executionengine.ExecException: ERROR 0: Scalar has more than one row in the output. 1st : (1,2), 2nd :(3,4)

　　文章来源：http://www.codelast.com/
乍一看，似乎代码简单得一点问题都没有啊？其实仔细一看，“A.col1”的写法根本就是错误的，应该写成“A::col1”才对，因为你只要 DESCRIBE 一下 C 的schema就明白了：

1	C: {A::col1: int,A::col2: int,B::col1: int,B::col2: int}

　　Pig的这个错误提示得很不直观，在这个链接中也有人提到过了。
　　（7）如何输出LZO压缩格式的文本文件
还是借助于elephant-bird，可以轻易完成这个工作：

1 2	A ＝LOAD 'input'; STORE A INTO 'output' USING com.twitter.elephantbird.pig.store.LzoPigStorage();

　　结果就会得到一堆名称类似于“part-m-00000.lzo”的文件。
注意以上省略了一堆的“REGISTER XXX.jar”代码，你需要自己添加上你的jar包路径。
有人说，那加载LZO压缩的文本文件呢？很简单：

1	A = LOAD 'output' USING com.twitter.elephantbird.pig.store.LzoPigStorage(',');

　　这表示指定了分隔符为逗号，如果不想指定，省略括号中的内容即可。
　　（8）如何输出 gz 及 bz2 压缩格式的文件
首先请看这个链接的说明。摘录一段话：

Compression
 
Storing to a directory whose name ends in ".bz2" or ".gz" or ".lzo" (if you have installed support for LZO compression in Hadoop) will automatically use the corresponding compression codec.
output.compression.enabled and output.compression.codec job properties also work.
Loading from directories ending in .bz2 or .bz works automatically; other compression formats are not auto-detected on loading.

说得简单点就是：当你把保存的目录名设置为以 .bz2 或 .gz 结尾时，输出的文件就自动会被压缩为对应的文件格式。
因此，我就有了下面这两段极其简单的示例代码：

1 2 3 4 5 6 7

--压缩率稍低 A = LOAD '1.txt'; STORE A INTO 'z.gz';   --压缩率较高 A = LOAD '1.txt'; STORE A INTO 'z.bz2';

　　正如上面的注释所示，bz2 的压缩率比 gz 高。
最后生成的目录下，文件名类似于：

1 2 3

part-m-00000.gz part-m-00001.gz part-m-00002.gz

　　如果是 bz2，则后缀名为 .bz2。