当前位置: 首页 > 业界动态 > 技术评论 > 本文


面向Hadoop框架的高级语言:Apache Pig




发布时间: 2014-9-11 16:09:56  

  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。Apache Pig为大数据集的处理提供了更高层次的抽象,为mapreduce算法(框架)实现了一套类SQL的数据处理脚本语言的shell脚本,在Pig中称之为Pig Latin,在这套脚本中我们可以对加载出来的数据进行排序、过滤、求和、分组(group by)、关联(Joining),Pig也可以由用户自定义一些函数对数据集进行操作,也就是传说中的UDF(user-defined functions)。
  Pig有两种运行模式:Loca模式和MapReduce模式。当Pig在Local模式下运行时,Pig只访问本地一台主机;当Pig在 MapReduce模式下运行时,它将访问一个Hadoop集群和HDFS的安装位置。这时,Pig将自动地对这个集群进行分配和回收。因为Pig系统可以自动对MapReduce程序进行优化,所以当用户使用Pig Latin语言进行编程的时候,不必关心程序运行的效率,Pig系统将会自动对程序进行优化,这样可以大了节省编程时间。Pig的Local模式和 MapReduce模式都有三种运行方式,分别为:Grunt Shell方式、脚本文件方式和嵌入式程序方式。
  Pig是一种编程语言,它简化了Hadoop常见的工作任务。Pig可加载数据、表达转换数据以及存储很终结果。Pig内置的操作使得半结构化数据变得有意义(如日志文件)。同时Pig可扩展使用Java中添加的自定义数据类型并支持数据转换。
  Pig在数据类型上的设计理念总结为一句口号:pig吃任何东西,输入数据可以支持任何格式,pig天生支持那些流行的格式,如制表符分隔的文本文件,用户也可以增加函数支持其他的数据格式文件,pig不需要元数据或者数据的schma,但如果有也可以利用。
  Apache Pig基本架构

 

  Pig的实现5个主要部分构成:

 

  Pig自己实现的一套框架对输入、输出的人机交互部分的实现,就是Pig Latin 。
  Zebra是Pig与HDFS/Hadoop的中间层、Zebra是MapReduce作业编写的客户端,Zerbra用结构化的语言实现了对 hadoop物理存储元数据的管理也是对Hadoop的数据抽象层,Zebra中有2个核心的类 TableStore(写)/TableLoad(读)对Hadoop上的数据进行操作。
  Pig中的Streaming主要分为4个组件: 1. Pig Latin 2. 逻辑层(Logical Layer) 3. 物理层(Physical Layer) 4. Streaming具体实现(Implementation),Streaming会创建一个Map/Reduce作业,并把它发送给合适的集群,同时监视这个作业的在集群环境中的整个执行过程。
  MapReduce在每台机器上进行分布式计算的框架(算法)。
  HDFS很终存储数据的部分。
  与Hive对比

 

  Language:在Hive中可以执行 “插入/删除”等操作,但是Pig中我没有发现有可以“插入”数据的方法。
  Schemas:Hive中至少还有一个“表”的概念,但是Pig中我认为是基本没有表的概念,所谓的表建立在Pig Latin脚本中,对与Pig更不要提metadata了。
  Partitions:Pig中没有表的概念,所以说到分区对于Pig来说基本免谈,如果跟Hive说“分区”(Partition)他还是能明白的。
  Server:Hive可以依托于Thrift启动一个服务器,提供远程调用。Pig没有发现有这样的功能。
  Shell:在Pig 你可以执行一些个 ls 、cat 这样很经典、很cool的命令,但是在使用Hive的时候我压根就没有想过有这样的需求。
  Web Interface:Hive有,Pig无
  JDBC/ODBC:Pig无,Hive有
  Pig的应用场景
  数据查询只面向相关技术人员
  即时性的数据处理需求,这样可以通过pig很快写一个脚本开始运行处理,而不需要创建表等相关的事先准备工作。
  Pig包括:
  Pig Latin, 类SQL数据处理语言
  在Hadoop上运行的Pig Latin执行引擎,将pig脚本转换为map-reduce程序在hadoop集群运行
  Pig的优点:
  编码简单
  对常见的操作充分优化
  可扩展。自定义UDF
  Pig主要用户
  Yahoo!: 90%以上的MapReduce作业是Pig生成的
  Twitter: 80%以上的MapReduce作业是Pig生成的
  Linkedin: 大部分的MapReduce作业是Pig生成的
  其他主要用户: Salesforce, Nokia, AOL, comScore
  Pig的主要开发者
  Hortonworks
  Twitter
  Yahoo!
  Cloudera
  Pig工具
  Piggybank(Pig官方函数库)
  Elephant bird: Twitter的Pig函数库
  DataFu: Linkedin的Pig函数库
  Ambros: Twitter的Pig作业监控系统
  Mortardata: 基于云的Pig集群管理系统
  Pig定位

 

  Pig Latin语言和传统的数据库语言很相似,但是Pig Latin更侧重于数据查询。而不是对数据进行修改和删除等操作。pig语句通常按照如下的格式来编写。
  通过LOAD语句从文件系统读取数据
  通过一系列”转换”语句对数据进行处理
  通过一条STORE语句把处理结果输出到文件系统中,或者使用DUMP语句把处理结果输出到屏幕上。
  LOAD和STORE语句有严格的语法规定。关键是灵活使用转换语句对数据进行处理。
  Pig Latin的特性:
  易于编程。实现简单的和高度并行的数据分析任务非常容易。
  自动优化。任务编码的方式允许系统自动去优化执行过程,从而使用户能够专注于逻辑,而非效率。
  可扩展性,用户可以轻松编写自己的函数用于特殊用途的处理。
  Pig Latin 程序有一系列的 operation 和 transformation 组成。每个操作或变换对输入进行数据处理,然后产生输出结果。这些操作整体上描述了一个数据流。Pig 内部,这些变换操作被转换成一系列的 MapReduce 作业。Pig 不适合所有的数据处理任务,和 MapReduce 一样,它是为数据批处理而设计的。如果只想查询大数据集中的一小部分数据,Pig 的实现不会很好,因为它要扫描整个数据集或绝大部分。

 

   来源: 标点符
  参考资料
  Pig网址:http://pig.apache.org

阅读:1178次
推荐阅读:

版权所有 © 2011-2017 南京云创大数据科技股份有限公司(股票代码:835305), 保留一切权利。(苏ICP备11060547号-1)  
云创大数据-专业的云存储、大数据、云计算产品供应商