Apache Pig 概述

由 jarodhu 创建，youj 最后一次修改 2016-12-28 什么是Apache Pig？Apache Pig是MapReduce的一个抽象。它是一个工具/平台，用于分析较大的数据集，并将它们表示为数据流。Pig通常与 Hadoop 一起使用；我们可以使用Apache Pig在Hadoop中执行所有的数据处理操作。要编写数据分析程序，Pig提供了一种称为 Pig Latin 的高级语言。该语言提供了各种操作符，程序员可以利用它们开发自己的用于读取，写入和处理数据的功能。要使用 Apache Pig 分析数据，程序员需要使用Pig Latin语言编写脚本。所有这些脚本都在内部转换为Map和Reduce任务。Apache Pig有一个名为 Pig Engine 的组件，它接受Pig Latin脚本作为输入，并将这些脚本转换为MapReduce作业。为什么我们需要Apache Pig？不太擅长Java的程序员通常习惯于使用Hadoop，特别是在执行任一MapReduce作业时。Apache Pig是所有这样的程序员的福音。使用 Pig Latin ，程序员可以轻松地执行MapReduce作业，而无需在Java中键入复杂的代码。Apache Pig使用多查询方法，从而减少代码长度。例如，需要在Java中输入200行代码（LoC）的操作在Apache Pig中输入少到10个LoC就能轻松完成。最终，Apache Pig将开发时间减少了近16倍。Pig Latin是类似SQL的语言，当你熟悉SQL后，很容易学习Apache Pig。Apache Pig提供了许多内置操作符来支持数据操作，如join，filter，ordering等。此外，它还提供嵌套数据类型，例如tuple（元组），bag（包）和MapReduce缺少的map（映射）。Apache Pig的特点Apache Pig具有以下特点: 丰富的运算符集 - 它提供了许多运算符来执行诸如join，sort，filer等操作。易于编程 - Pig Latin与SQL类似，如果你善于使用SQL，则很容易编写Pig脚本。优化机会 - Apache Pig中的任务自动优化其执行，因此程序员只需要关注语言的语义。可扩展性 - 使用现有的操作符，用户可以开发自己的功能来读取、处理和写入数据。 用户定义函数 - Pig提供了在其他编程语言（如Java）中创建用户定义函数的功能，并且可以调用或嵌入到Pig脚本中。处理各种数据 - Apache Pig分析各种数据，无论是结构化还是非结构化，它将结果存储在HDFS中。Apache Pig与MapReduce下面列出的是Apache Pig和MapReduce之间的主要区别。Apache PigMapReduceApache Pig是一种数据流语言。MapReduce是一种数据处理模式。它是一种高级语言。MapReduce是低级和刚性的。在Apache Pig中执行Join操作非常简单。在MapReduce中执行数据集之间的Join操作是非常困难的。任何具备SQL基础知识的新手程序员都可以方便地使用Apache Pig工作。向Java公开是必须使用MapReduce。Apache Pig使用多查询方法，从而在很大程度上减少代码的长度。MapReduce将需要几乎20倍的行数来执行相同的任务。没有必要编译。执行时，每个Apache Pig操作符都在内部转换为MapReduce作业。MapReduce作业具有很长的编译过程。Apache Pig Vs SQL下面列出了Apache Pig和SQL之间的主要区别。PigSQLPig Latin是一种程序语言。SQL是一种声明式语言。在Apache Pig中，模式是可选的。我们可以存储数据而无需设计模式（值存储为$ 01，$ 02等）模式在SQL中是必需的。Apache Pig中的数据模型是嵌套关系。SQL 中使用的数据模型是平面关系。Apache Pig为查询优化提供有限的机会。在SQL中有更多的机会进行查询优化。除了上面的区别，Apache Pig Latin: 允许在pipeline（流水线）中拆分。允许开发人员在pipeline中的任何位置存储数据。声明执行计划。提供运算符来执行ETL（Extract提取，Transform转换和Load加载）功能。Apache Pig VS HiveApache Pig和Hive都用于创建MapReduce作业。在某些情况下，Hive以与Apache Pig类似的方式在HDFS上运行。在下表中，我们列出了几个重要的点区分Apache Pig与Hive。Apache PigHiveApache Pig使用一种名为 Pig Latin 的语言（最初创建于 Yahoo ）。Hive使用一种名为 HiveQL 的语言（最初创建于 Facebook ）。Pig Latin是一种数据流语言。HiveQL是一种查询处理语言。Pig Latin是一个过程语言，它适合流水线范式。HiveQL是一种声明性语言。Apache Pig可以处理结构化，非结构化和半结构化数据。Hive主要用于结构化数据。Apache Pig的应用程序Apache Pig通常被数据科学家用于执行涉及特定处理和快速原型设计的任务。使用Apache Pig: 处理巨大的数据源，如Web日志。为搜索平台执行数据处理。处理时间敏感数据的加载。Apache Pig历史在 2006年 时，Apache Pig是作为Yahoo的研究项目开发的，特别是在每个数据集上创建和执行MapReduce作业。在 2007 时，Apache Pig是通过Apache孵化器开源的。在 2008 时，Apache Pig的第一个版本出来了。在 2010 时，Apache Pig获得为Apache顶级项目。