pig cookbook学习

Overview

近期需要用pig做一些统计，由于没有系统学习，问题出现一些问题，且不容易调试，执行效率也不高。所以打算看一些官方文档，在此做些笔记。

pig性能提升

指定类型

如果在load文件时不指定类型，pig在计算时会指定为double类型，而在很多时候，数据本应是整形等，指定为double类型会增加广计算量。另外，指定类型也会使错误提早暴露出来。

--Query 1

A = load 'myfile' as (t, u, v);

B = foreach A generate t + u;

--Query 2

A = load 'myfile' as (t: int, u: int, v);

B = foreach A generate t + u;

第二个query会比第一个更有效率，有时候会增加一倍。

提早去除没用的field

pig不用自动判定某一个field没用，并且去掉它。例如，下面一段代码：

A = load 'myfile' as (t, u, v);

B = load 'myotherfile' as (x, y, z);

C = join A by t, B by x;

D = group C by u;

E = foreach D generate group, COUNT($1);

v,y,z在代码的执行过程中并没有用到，而且在join之后，没有必要同时保留t和x，将上述代码修改为下面的形式，将会很大程度上减小在map和reduce阶段所pig携带的数据量。

A = load 'myfile' as (t, u, v);

A1 = foreach A generate t, u;

B = load 'myotherfile' as (x, y, z);

B1 = foreach B generate x;

C = join A1 by t, B1 by x;

C1 = foreach C generate t, u;

D = group C1 by u;

E = foreach D generate group, COUNT($1);

根据数据的不同，这一策略会很大程序上节省时间。对上面的数据而言，可以减小50%的时间。

提早过滤不必要的行

大多数情况下，提早使用filter会减少通过管道传输的数据量。

-- Query 1

A = load 'myfile' as (t, u, v);

B = load 'myotherfile' as (x, y, z);

C = filter A by t == 1;

D = join C by t, B by x;

E = group D by u;

F = foreach E generate group, COUNT($1);

-- Query 2

A = load 'myfile' as (t, u, v);

B = load 'myotherfile' as (x, y, z);

C = join A by t, B by x;

D = group C by u;

E = foreach D generate group, COUNT($1);

F = filter E by C.t == 1;

上面代码中，query1明显比query2高效，因为query1减少了进入join之前的数据量。

但是如果过早的执行filter代价高，且过滤的数据量少的话，就不值得过早的执行filter语句。

减少操作管道

为了使脚本清晰易读，你可能会将任务分为多个操作来执行：

A = load 'data' as (in: map[]);

-- get key out of the map

B = foreach A generate in#k1 as k1, in#k2 as k2;

-- concatenate the keys

C = foreach B generate CONCAT(k1, k2);

.......

上述代码容易理解，但是将后面两步合并会使效率更高：

A = load 'data' as (in: map[]);

-- concatenate the keys from the map

B = foreach A generate CONCAT(in#k1, in#k2);

....

同样的逻辑也适用于filter操作

使用PARALLEL语句

使用PARALLEL语句可以增加job的并行度:

PARALLEL设置了一个job的reduce数量，如果不设置，默认为1。
PARALLEL只负责设置job的reduce数量，map数量是由输入数据决定的，每一个输入块是生成一下map。
如果不设置PARALLEL，将只会生成一个reduce任务。

可以在任务一个会产生reduce任务的操作中使用PARALLEL语句，包括：COGROUP, CROSS, DISTINCT, GROUP, JOIN (inner), JOIN (outer), and ORDER.

下面示例PARALLEL应用于GROUP语句：

A = LOAD 'myfile' AS (t, u, v);

B = GROUP A BY t PARALLEL 18;

.....

还可以使用set default parallel来设置：

SET DEFAULT_PARALLEL 20;

A = LOAD ‘myfile.txt’ USING PigStorage() AS (t, u, v);

B = GROUP A BY t;

C = FOREACH B GENERATE group, COUNT(A.t) as mycount;

D = ORDER C BY mycount;

STORE D INTO ‘mysortedcount’ USING PigStorage();

参考

Pig Cookbook: http://pig.apache.org/docs/r0.7.0/cookbook.html