云計算大數(shù)據(jù)培訓(xùn)之大數(shù)據(jù)Hadoop生態(tài)圈：Pig（1）

一  Pig概述

1-1 組成

Pig包括 兩部分

1：用于描述數(shù)據(jù)流的語言，稱為 Pig Latin （拉丁豬，個人翻譯）

2：用于運行PigLatin程序的 執(zhí)行環(huán)境 。一個是 本地 的單JVM執(zhí)行環(huán)境，一個就是在 hadoop集群上 的分布式執(zhí)行環(huán)境。

Pig  Latin程序是由一系列的" 操作"(operation)或"變換"(transformation)組成 。每個操作或變換對輸入進(jìn)行 數(shù)據(jù)處理 ，然后產(chǎn)生 輸出的結(jié)果 。這些操作整體上描述了一個 數(shù)據(jù)流 ，Pig執(zhí)行的環(huán)境把數(shù)據(jù)流翻譯為可執(zhí)行的內(nèi)部表示，并運行它。在Pig的內(nèi)部，這些變換和操作被轉(zhuǎn)換成一系列的MapReducer，但是我們一般情況下并不知道這些轉(zhuǎn)換是怎么進(jìn)行的， 我們的主要的精力就花在數(shù)據(jù)上，而不是執(zhí)行的細(xì)節(jié)上面。

1-2 作用

那么雅虎公司主要使用Pig來干什么呢？ 

1）吸收和分析用戶的行為日志數(shù)據(jù)（點擊流分析、搜索內(nèi)容分析等），改進(jìn)匹配和排名算法，以提高檢索和廣告業(yè)務(wù)的質(zhì)量。 
2）構(gòu)建和更新search index。對于web-crawler抓取了的內(nèi)容是一個流數(shù)據(jù)的形式，這包括去冗余、鏈接分析、內(nèi)容分類、基于點擊次數(shù)的受歡迎程度計算(PageRank)、最后建立倒排表。 
3）處理半結(jié)構(gòu)化數(shù)據(jù)訂閱（data seeds）服務(wù)。包括：deduplcaitin（去冗余），geographic location resolution，以及 named entity recognition. 

1-3 優(yōu)勢與不足

MapReducer能夠讓我們自己定義 連續(xù)執(zhí)行的map和reduce函數(shù) ，但是數(shù)據(jù)處理往往需要很多的MapReducer過程才能實現(xiàn)，所以將數(shù)據(jù)處理要求改寫成MapReducer模式是很 復(fù)雜的 。和MapReducer相比，Pig提供了更加 豐富的數(shù)據(jù)結(jié)構(gòu) ，一般都是 多值 和 嵌套 的數(shù)據(jù)結(jié)構(gòu)。Pig還提供了一套更強(qiáng)大的 數(shù)據(jù)交換操作 ，包括了MapReducer中被忽視的" join "操作

使用Pig來操作hadoop處理海量數(shù)據(jù)，是非常簡單的，如果沒有Pig，我們就得手寫MapReduce代碼，這可是一件非常繁瑣的事，因為MapReduce的任務(wù)職責(zé)非常明確，清洗數(shù)據(jù)得一個job，處理得一個job，過濾得一個job，統(tǒng)計得一個job，排序得一個job，每次只要改動很小的一個地方，就得重新編譯整個job，然后打成jar提交到Hadoop集群上運行，是非常繁瑣的，調(diào)試還很困難。

 但是，Pig并不適合處理所有的“數(shù)據(jù)處理”任務(wù)。和MapReducer一樣，它是為數(shù)據(jù) 批處理 而設(shè)計的，如果想執(zhí)行的查詢只涉及一個大型數(shù)據(jù)集的一小部分?jǐn)?shù)據(jù)，Pig的實現(xiàn)不是很好， 因為它要掃描整個數(shù)據(jù)集或其中的很大一部分。