Apache Pig的前世今生

近期，散仙用了几周的Pig来处理分析我们站点搜索的日志数据，感觉用起来非常不错，今天就写篇笔记介绍下Pig的由来，除了搞大数据的人，可能非常少有人知道Pig是干啥的。包含一些是搞编程的，但不是搞大数据的。还包含一些既不是搞编程的。也不是搞大数据的。而是从事其它行业的朋友。所以非常有可能望文生义。一看标题，就乐了，心里就開始默默的翻译了===》
Apache 猪的笔记，看起来Apache的猪，比較厉害啊，都能写笔记了。 



开个玩笑，以下进入正题，散仙，尽量写的通俗易懂。让大家看了之后都可以理解这头Pig究竟是干什么的。 



Pig最早是雅虎公司的一个基于Hadoop的并行处理架构，后来Yahoo将Pig捐献给Apache（一个开源软件的基金组织）的一个项目，由Apache来负责维护。Pig是一个基于 Hadoop的大规模数据分析平台，它提供的SQL-like语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。Pig为复杂的海量数据并行计算提供了一个简 易的操作和编程接口。这一点和FaceBook开源的Hive（一个以SQL方式，操作hadoop的一个开源框架）一样简洁，清晰，易上手！ 



那么雅虎公司主要使用Pig来干什么呢？ 



1）吸收和分析用户的行为日志数据（点击流分析、搜索内容分析等），改进匹配和排名算法。以提高检索和广告业务的质量。

2）构建和更新search index。

对于web-crawler抓取了的内容是一个流数据的形式，这包含去冗余、链接分析、内容分类、基于点击次数的受欢迎程度计算(PageRank)、最后建立倒排表。

3）处理半结构化数据订阅（data seeds）服务。包含：deduplcaitin（去冗余）。geographic location resolution，以及 named entity recognition. 



使用Pig来操作hadoop处理海量数据，是非常easy的。假设没有Pig。我们就得手写MapReduce代码。这但是一件非常繁琐的事。由于MapReduce的任务职责非常明白，清洗数据得一个job，处理得一个job，过滤得一个job。统计得一个job，排序得一个job，编写DAG(带先后顺序依赖的)作业非常不方便。这还能够接受，但是每次仅仅要修改非常小的一个地方，就得又一次编译整个job。然后打成jar提交到Hadoop集群上执行，是非常繁琐的，调试还非常困难，所以。在如今的大互联网公司或者是电商公司里，非常少有纯写MapReduce来处理各种任务的，基本上都会使用一些工具或开源框架来操作。 





随着，数据海啸的来临，传统的DB(Oracle、DB2)已经不能满足海量数据处理的需求。MapReduce逐渐成为了数据处理的事实标准，被应用到各行各业中。所以，我们不再期望全部的客户都能高速开发应用相关代码。仅仅能把客户的工作变得简单，就像使用SQL语言，经过简单培训就能够“云”上操作。

Pig就是为了屏蔽MapReduce开发的繁琐细节，为用户提供Pig Latin这样近SQL语言处理能力，让用户能够更方便地处理海量数据。Pig将SQL语句翻译成MR的作业的集合，并通过数据流的方式将其组合起来。 



Pig的一个简单处理流程，例如以下所看到的： 



 

运行引擎例如以下所看到的： 

 



在Pig里面，每一步操作，都是一个数据流，很easy理解，你想要什么。它就能得到什么，即使不能得到，我们也能够通过轻松扩展UDF来实现，比SQL更easy理解，每一步要做什么，很easy上手和学习，在大数据时代，了解和使用Pig来分析海量数据是很easy的。 



最后告诉大家一个好消息。在最新的Pig(0.14)发行版里，有两个重要的特性： 

（1）支持Pig执行在Tez上 

（2）支持Orc格式的存储