Apache Pig - Operador de Grupo

o GROUPoperador é usado para agrupar os dados em uma ou mais relações. Ele coleta os dados com a mesma chave.

Sintaxe

Dada a seguir está a sintaxe do group operador.

grunt> Group_data = GROUP Relation_name BY age;

Exemplo

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

student_details.txt

001,Rajiv,Reddy,21,9848022337,Hyderabad
002,siddarth,Battacharya,22,9848022338,Kolkata
003,Rajesh,Khanna,22,9848022339,Delhi
004,Preethi,Agarwal,21,9848022330,Pune
005,Trupthi,Mohanthy,23,9848022336,Bhuwaneshwar
006,Archana,Mishra,23,9848022335,Chennai
007,Komal,Nayak,24,9848022334,trivendram
008,Bharathi,Nambiayar,24,9848022333,Chennai

E carregamos este arquivo no Apache 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, age:int, phone:chararray, city:chararray);

Agora, vamos agrupar os registros / tuplas na relação por idade conforme mostrado abaixo.

grunt> group_data = GROUP student_details by age;

Verificação

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

grunt> Dump group_data;

Resultado

Então você obterá uma saída exibindo o conteúdo da relação nomeada group_datacomo mostrado abaixo. Aqui você pode observar que o esquema resultante tem duas colunas -

  • Um é age, pelo qual agrupamos a relação.

  • O outro é um bag, que contém o grupo de tuplas, registros do aluno com a respectiva idade.

(21,{(4,Preethi,Agarwal,21,9848022330,Pune),(1,Rajiv,Reddy,21,9848022337,Hydera bad)})
(22,{(3,Rajesh,Khanna,22,9848022339,Delhi),(2,siddarth,Battacharya,22,984802233 8,Kolkata)})
(23,{(6,Archana,Mishra,23,9848022335,Chennai),(5,Trupthi,Mohanthy,23,9848022336 ,Bhuwaneshwar)})
(24,{(8,Bharathi,Nambiayar,24,9848022333,Chennai),(7,Komal,Nayak,24,9848022334, trivendram)})

Você pode ver o esquema da tabela depois de agrupar os dados usando o describe comando como mostrado abaixo.

grunt> Describe group_data;
  
group_data: {group: int,student_details: {(id: int,firstname: chararray,
               lastname: chararray,age: int,phone: chararray,city: chararray)}}

Da mesma forma, você pode obter a ilustração de amostra do esquema usando o illustrate comando como mostrado abaixo.

$ Illustrate group_data;

Ele produzirá a seguinte saída -

------------------------------------------------------------------------------------------------- 
|group_data|  group:int | student_details:bag{:tuple(id:int,firstname:chararray,lastname:chararray,age:int,phone:chararray,city:chararray)}|
------------------------------------------------------------------------------------------------- 
|          |     21     | { 4, Preethi, Agarwal, 21, 9848022330, Pune), (1, Rajiv, Reddy, 21, 9848022337, Hyderabad)}| 
|          |     2      | {(2,siddarth,Battacharya,22,9848022338,Kolkata),(003,Rajesh,Khanna,22,9848022339,Delhi)}| 
-------------------------------------------------------------------------------------------------

Agrupamento por múltiplas colunas

Vamos agrupar a relação por idade e cidade como mostrado abaixo.

grunt> group_multiple = GROUP student_details by (age, city);

Você pode verificar o conteúdo da relação nomeada group_multiple usando o operador Dump conforme mostrado abaixo.

grunt> Dump group_multiple; 
  
((21,Pune),{(4,Preethi,Agarwal,21,9848022330,Pune)})
((21,Hyderabad),{(1,Rajiv,Reddy,21,9848022337,Hyderabad)})
((22,Delhi),{(3,Rajesh,Khanna,22,9848022339,Delhi)})
((22,Kolkata),{(2,siddarth,Battacharya,22,9848022338,Kolkata)})
((23,Chennai),{(6,Archana,Mishra,23,9848022335,Chennai)})
((23,Bhuwaneshwar),{(5,Trupthi,Mohanthy,23,9848022336,Bhuwaneshwar)})
((24,Chennai),{(8,Bharathi,Nambiayar,24,9848022333,Chennai)})
(24,trivendram),{(7,Komal,Nayak,24,9848022334,trivendram)})

Grupo Tudo

Você pode agrupar uma relação por todas as colunas como mostrado abaixo.

grunt> group_all = GROUP student_details All;

Agora, verifique o conteúdo da relação group_all como mostrado abaixo.

grunt> Dump group_all;  
  
(all,{(8,Bharathi,Nambiayar,24,9848022333,Chennai),(7,Komal,Nayak,24,9848022334 ,trivendram), 
(6,Archana,Mishra,23,9848022335,Chennai),(5,Trupthi,Mohanthy,23,9848022336,Bhuw aneshwar), 
(4,Preethi,Agarwal,21,9848022330,Pune),(3,Rajesh,Khanna,22,9848022339,Delhi), 
(2,siddarth,Battacharya,22,9848022338,Kolkata),(1,Rajiv,Reddy,21,9848022337,Hyd erabad)})