Apache Pig 简明教程

Apache Pig - Distinct Operator

DISTINCT 运算符用于从关系中删除冗余(重复)元组。

Syntax

以下是 DISTINCT 运算符的语法。

grunt> Relation_name2 = DISTINCT Relatin_name1;

Example

假设我们有一个名为 student_details.txt 的文件位于 HDFS 目录 /pig_data/ 中,如下所示。

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

我们已经将此文件载入 Pig,并将其关系名称命名为 student_details ,如下所示。

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);

现在,让我们使用 DISTINCT 运算符从名为 student_details 的关系中删除冗余(重复)的元组,并将其存储为另一个名为 distinct_data 的关系,如下所示。

grunt> distinct_data = DISTINCT student_details;

Verification

使用 DUMP 运算符验证关系 distinct_data ,如下所示。

grunt> Dump distinct_data;

Output

它将生成以下输出,显示关系 distinct_data 的内容,如下所示。

(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)