面向Hadoop框架的高级语言： Apache Pig

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最终结果。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最终存储数据的部分。
  

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。

参考资料

• Pig网址：http://pig.apache.org