Apache Pig - Operador Distinto

o DISTINCT operador é usado para remover tuplas redundantes (duplicadas) de uma relação.

Sintaxe

Dada a seguir está a sintaxe do DISTINCT operador.

grunt> Relation_name2 = DISTINCT Relatin_name1;

Exemplo

Suponha que temos um arquivo chamado student_details.txt no diretório HDFS /pig_data/ como mostrado abaixo.

student_details.txt

001,Rajiv,Reddy,9848022337,Hyderabad
002,siddarth,Battacharya,9848022338,Kolkata 
002,siddarth,Battacharya,9848022338,Kolkata 
003,Rajesh,Khanna,9848022339,Delhi 
003,Rajesh,Khanna,9848022339,Delhi 
004,Preethi,Agarwal,9848022330,Pune 
005,Trupthi,Mohanthy,9848022336,Bhuwaneshwar
006,Archana,Mishra,9848022335,Chennai 
006,Archana,Mishra,9848022335,Chennai

E carregamos este arquivo no Pig com o nome da relação student_details como mostrado abaixo.

grunt> student_details = LOAD 'hdfs://localhost:9000/pig_data/student_details.txt' USING PigStorage(',') 
   as (id:int, firstname:chararray, lastname:chararray, phone:chararray, city:chararray);

Vamos agora remover as tuplas redundantes (duplicadas) da relação chamada student_details usando o DISTINCT operador e armazene-o como outra relação chamada distinct_data como mostrado abaixo.

grunt> distinct_data = DISTINCT student_details;

Verificação

Verifique a relação distinct_data usando o DUMP operador como mostrado abaixo.

grunt> Dump distinct_data;

Resultado

Ele irá produzir a seguinte saída, exibindo o conteúdo da relação distinct_data do seguinte modo.

(1,Rajiv,Reddy,9848022337,Hyderabad)
(2,siddarth,Battacharya,9848022338,Kolkata) 
(3,Rajesh,Khanna,9848022339,Delhi) 
(4,Preethi,Agarwal,9848022330,Pune) 
(5,Trupthi,Mohanthy,9848022336,Bhuwaneshwar)
(6,Archana,Mishra,9848022335,Chennai)