- Apache Pig 教程
- Apache Pig - 主页
- Apache Pig介绍
- Apache Pig - 概述
- Apache Pig - 架构
- Apache Pig 环境
- Apache Pig - 安装
- Apache Pig - 执行
- Apache Pig - Grunt Shell
- 猪拉丁语
- 猪拉丁语 - 基础知识
- 加载和存储操作符
- Apache Pig - 读取数据
- Apache Pig - 存储数据
- Pig Latin 内置函数
- Apache Pig - 评估函数
- 加载和存储功能
- Apache Pig - 袋和元组函数
- Apache Pig - 字符串函数
- Apache Pig - 日期时间函数
- Apache Pig - 数学函数
- Apache Pig 有用资源
- Apache Pig - 快速指南
- Apache Pig - 有用的资源
- Apache Pig - 讨论
Apache Pig - 连接运算符
JOIN运算符用于组合两个或多个关系中的记录。在执行连接操作时，我们将每个关系中的一个（或一组）元组声明为键。当这些键匹配时，两个特定元组就会匹配，否则记录将被删除。连接可以是以下类型 -
- 自加入
- 内部联接
- 外连接 - 左连接、右连接和全连接
本章通过示例解释如何在 Pig Latin 中使用连接运算符。假设HDFS的/pig_data/目录下有两个文件customers.txt和orders.txt，如下所示。
客户.txt
1,Ramesh,32,Ahmedabad,2000.00 2,Khilan,25,Delhi,1500.00 3,kaushik,23,Kota,2000.00 4,Chaitali,25,Mumbai,6500.00 5,Hardik,27,Bhopal,8500.00 6,Komal,22,MP,4500.00 7,Muffy,24,Indore,10000.00
订单.txt
102,2009-10-08 00:00:00,3,3000 100,2009-10-08 00:00:00,3,1500 101,2009-11-20 00:00:00,2,1560 103,2008-05-20 00:00:00,4,2060
我们已将这两个文件与关系客户和订单一起加载到 Pig 中，如下所示。
grunt> customers = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
as (id:int, name:chararray, age:int, address:chararray, salary:int);
grunt> orders = LOAD 'hdfs://localhost:9000/pig_data/orders.txt' USING PigStorage(',')
as (oid:int, date:chararray, customer_id:int, amount:int);
现在让我们对这两个关系执行各种 Join 操作。
自加盟
自联接用于将表与其自身联接起来，就好像该表是两个关系一样，暂时重命名至少一个关系。
通常，在 Apache Pig 中，为了执行自连接，我们会使用不同的别名（名称）多次加载相同的数据。因此，让我们将文件customers.txt的内容加载为两个表，如下所示。
grunt> customers1 = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
as (id:int, name:chararray, age:int, address:chararray, salary:int);
grunt> customers2 = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
as (id:int, name:chararray, age:int, address:chararray, salary:int);
句法
下面给出的是使用JOIN运算符执行自连接操作的语法。
grunt> Relation3_name = JOIN Relation1_name BY key, Relation2_name BY key ;
例子
让我们通过连接两个关系customers1和customers2来对关系customers执行自连接操作，如下所示。
grunt> customers3 = JOIN customers1 BY id, customers2 BY id;
确认
使用DUMP运算符验证关系customers3，如下所示。
grunt> Dump customers3;
输出
它将产生以下输出，显示关系客户的内容。
(1,Ramesh,32,Ahmedabad,2000,1,Ramesh,32,Ahmedabad,2000) (2,Khilan,25,Delhi,1500,2,Khilan,25,Delhi,1500) (3,kaushik,23,Kota,2000,3,kaushik,23,Kota,2000) (4,Chaitali,25,Mumbai,6500,4,Chaitali,25,Mumbai,6500) (5,Hardik,27,Bhopal,8500,5,Hardik,27,Bhopal,8500) (6,Komal,22,MP,4500,6,Komal,22,MP,4500) (7,Muffy,24,Indore,10000,7,Muffy,24,Indore,10000)
内部联接
内连接（Inner Join）的使用非常频繁；它也称为等值连接。当两个表中存在匹配项时，内部联接将返回行。
它通过基于连接谓词组合两个关系（例如 A 和 B）的列值来创建新关系。该查询将 A 的每一行与 B 的每一行进行比较，以查找满足连接谓词的所有行对。当满足连接谓词时，A 和 B 的每个匹配行对的列值将组合成一个结果行。
句法
以下是使用JOIN运算符执行内连接操作的语法。
grunt> result = JOIN relation1 BY columnname, relation2 BY columnname;
例子
让我们对两个关系客户和订单执行内连接操作，如下所示。
grunt> coustomer_orders = JOIN customers BY id, orders BY customer_id;
确认
使用DUMP运算符验证关系coustomer_orders，如下所示。
grunt> Dump coustomer_orders;
输出
您将得到以下输出，其中包含名为coustomer_orders的关系的内容。
(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560) (3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500) (3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000) (4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)
注意-
外连接：与内连接不同，外连接返回至少一个关系中的所有行。外连接操作以三种方式执行 -
- 左外连接
- 右外连接
- 全外连接
左外连接
左外连接操作返回左表中的所有行，即使右关系中没有匹配项。
句法
下面给出的是使用JOIN运算符执行左外连接操作的语法。
grunt> Relation3_name = JOIN Relation1_name BY id LEFT OUTER, Relation2_name BY customer_id;
例子
让我们对两个关系客户和订单执行左外连接操作，如下所示。
grunt> outer_left = JOIN customers BY id LEFT OUTER, orders BY customer_id;
确认
使用DUMP运算符验证关系external_left，如下所示。
grunt> Dump outer_left;
输出
它将产生以下输出，显示关系external_left的内容。
(1,Ramesh,32,Ahmedabad,2000,,,,) (2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560) (3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500) (3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000) (4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060) (5,Hardik,27,Bhopal,8500,,,,) (6,Komal,22,MP,4500,,,,) (7,Muffy,24,Indore,10000,,,,)
右外连接
右外连接操作返回右表中的所有行，即使左表中没有匹配项也是如此。
句法
下面给出的是使用JOIN运算符执行右外连接操作的语法。
grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;
例子
让我们对两个关系客户和订单执行右外连接操作，如下所示。
grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;
确认
使用DUMP运算符验证关系outer_right，如下所示。
grunt> Dump outer_right
输出
它将产生以下输出，显示关系outer_right的内容。
(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560) (3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500) (3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000) (4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)
全外连接
当关系之一存在匹配项时，完整外连接操作会返回行。
句法
下面给出的是使用JOIN运算符执行完全外连接的语法。
grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;
例子
让我们对两个关系客户和订单执行完整的外连接操作，如下所示。
grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;
确认
使用DUMP运算符验证关系outer_full，如下所示。
grun> Dump outer_full;
输出
它将产生以下输出，显示关系outer_full的内容。
(1,Ramesh,32,Ahmedabad,2000,,,,) (2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560) (3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500) (3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000) (4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060) (5,Hardik,27,Bhopal,8500,,,,) (6,Komal,22,MP,4500,,,,) (7,Muffy,24,Indore,10000,,,,)
使用多个键
我们可以使用多个键执行 JOIN 操作。
句法
以下是如何使用多个键对两个表执行 JOIN 操作。
grunt> Relation3_name = JOIN Relation2_name BY (key1, key2), Relation3_name BY (key1, key2);
假设HDFS的/pig_data/目录下有两个文件employee.txt和employee_contact.txt，如下所示。
员工.txt
001,Rajiv,Reddy,21,programmer,003 002,siddarth,Battacharya,22,programmer,003 003,Rajesh,Khanna,22,programmer,003 004,Preethi,Agarwal,21,programmer,003 005,Trupthi,Mohanthy,23,programmer,003 006,Archana,Mishra,23,programmer,003 007,Komal,Nayak,24,teamlead,002 008,Bharathi,Nambiayar,24,manager,001
员工联系方式.txt
001,9848022337,Rajiv@gmail.com,Hyderabad,003 002,9848022338,siddarth@gmail.com,Kolkata,003 003,9848022339,Rajesh@gmail.com,Delhi,003 004,9848022330,Preethi@gmail.com,Pune,003 005,9848022336,Trupthi@gmail.com,Bhuwaneshwar,003 006,9848022335,Archana@gmail.com,Chennai,003 007,9848022334,Komal@gmail.com,trivendram,002 008,9848022333,Bharathi@gmail.com,Chennai,001
我们已将这两个文件加载到 Pig 中，其关系为“employee”和“employee_contact”，如下所示。
grunt> employee = LOAD 'hdfs://localhost:9000/pig_data/employee.txt' USING PigStorage(',')
as (id:int, firstname:chararray, lastname:chararray, age:int, designation:chararray, jobid:int);
grunt> employee_contact = LOAD 'hdfs://localhost:9000/pig_data/employee_contact.txt' USING PigStorage(',')
as (id:int, phone:chararray, email:chararray, city:chararray, jobid:int);
现在，让我们使用JOIN运算符连接这两个关系的内容，如下所示。
grunt> emp = JOIN employee BY (id,jobid), employee_contact BY (id,jobid);
确认
使用DUMP运算符验证关系emp，如下所示。
grunt> Dump emp;
输出
它将产生以下输出，显示名为emp的关系的内容，如下所示。
(1,Rajiv,Reddy,21,programmer,113,1,9848022337,Rajiv@gmail.com,Hyderabad,113) (2,siddarth,Battacharya,22,programmer,113,2,9848022338,siddarth@gmail.com,Kolka ta,113) (3,Rajesh,Khanna,22,programmer,113,3,9848022339,Rajesh@gmail.com,Delhi,113) (4,Preethi,Agarwal,21,programmer,113,4,9848022330,Preethi@gmail.com,Pune,113) (5,Trupthi,Mohanthy,23,programmer,113,5,9848022336,Trupthi@gmail.com,Bhuwaneshw ar,113) (6,Archana,Mishra,23,programmer,113,6,9848022335,Archana@gmail.com,Chennai,113) (7,Komal,Nayak,24,teamlead,112,7,9848022334,Komal@gmail.com,trivendram,112) (8,Bharathi,Nambiayar,24,manager,111,8,9848022333,Bharathi@gmail.com,Chennai,111)