Apache Pig - 连接操作符

上一页
下一页

JOIN 操作符用于组合来自两个或多个关系的记录。在执行连接操作时，我们声明每个关系中一个（或一组）元组作为键。当这些键匹配时，这两个特定的元组将匹配，否则记录将被丢弃。连接可以是以下类型：

  • 自连接
  • 内连接
  • 外连接 - 左连接、右连接和全连接

本章将通过示例解释如何在 Pig Latin 中使用连接操作符。假设我们在 HDFS 的 /pig_data/ 目录下有两个文件，名为 customers.txt 和 orders.txt，如下所示。

customers.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

orders.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

我们将这两个文件加载到 Pig 中，关系名为 customers 和 orders，如下所示。

grunt> customers = LOAD 'hdfs://:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int);
  
grunt> orders = LOAD 'hdfs://: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连接操作。

自连接

自连接用于将表与其自身连接，就好像该表是两个关系一样，至少临时重命名一个关系。

通常，在 Apache Pig 中，要执行自连接，我们将使用不同的别名（名称）多次加载相同的数据。因此，让我们将文件 customers.txt 的内容加载到两个表中，如下所示。

grunt> customers1 = LOAD 'hdfs://:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int);
  
grunt> customers2 = LOAD 'hdfs://:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int);

语法

以下是使用 JOIN 操作符执行 自连接操作的语法。

grunt> Relation3_name = JOIN Relation1_name BY key, Relation2_name BY key ;

示例

让我们对关系 customers 执行 自连接操作，方法是连接两个关系 customers1 和 customers2，如下所示。

grunt> customers3 = JOIN customers1 BY id, customers2 BY id;

验证

使用 DUMP 操作符验证关系 customers3，如下所示。

grunt> Dump customers3;

输出

它将产生以下输出，显示关系 customers 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)

内连接

内连接使用频率很高；它也称为等值连接。当两个表中都有匹配项时，内连接返回行。

它通过根据连接谓词组合两个关系（例如 A 和 B）的列值来创建一个新关系。查询比较 A 的每一行与 B 的每一行，以查找满足连接谓词的所有行对。当连接谓词满足时，A 和 B 的每对匹配行的列值将组合到结果行中。

语法

以下是使用 JOIN 操作符执行 内连接操作的语法。

grunt> result = JOIN relation1 BY columnname, relation2 BY columnname;

示例

让我们对两个关系 customers 和 orders 执行 内连接操作，如下所示。

grunt> coustomer_orders = JOIN customers BY id, orders BY customer_id;

验证

使用 DUMP 操作符验证关系 coustomer_orders，如下所示。

grunt> Dump coustomer_orders;

输出

您将获得以下输出，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进行：

  • 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。

语法

以下是使用 JOIN 操作符执行 左外连接操作的语法。

grunt> Relation3_name = JOIN Relation1_name BY id LEFT OUTER, Relation2_name BY customer_id;

示例

让我们对两个关系 customers 和 orders 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;

验证

使用 DUMP 操作符验证关系 outer_left，如下所示。

grunt> Dump outer_left;

输出

它将产生以下输出，显示关系 outer_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。

语法

以下是使用 JOIN 操作符执行 右外连接操作的语法。

grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;

示例

让我们对两个关系 customers 和 orders 执行 右外连接操作，如下所示。

grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;

验证

使用 DUMP 操作符验证关系 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

全外连接操作在其中一个关系中有匹配项时返回行。

语法

以下是使用 JOIN 操作符执行 全外连接的语法。

grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;

示例

让我们对两个关系 customers 和 orders 执行 全外连接操作，如下所示。

grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;

验证

使用 DUMP 操作符验证关系 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。

语法

以下是使用多个键对两个表执行 JOIN 操作的方法。

grunt> Relation3_name = JOIN Relation2_name BY (key1, key2), Relation3_name BY (key1, key2);

假设我们在 HDFS 的 /pig_data/ 目录下有两个文件，名为 employee.txt 和 employee_contact.txt，如下所示。

employee.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

employee_contact.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

我们将这两个文件加载到 Pig 中，关系名为 employee 和 employee_contact，如下所示。

grunt> employee = LOAD 'hdfs://: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://: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 操作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);

验证

使用 DUMP 操作符验证关系 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)
打印页面
上一页
下一页
广告
© . All rights reserved.