Pig 实例：发现相似专利

因特网公司对海量数据的按需分析处理目前基本采用Map/Reduce编程模型。尽管如此，Map/Reduce也存在一些限制，它的单输入，两阶段数据流编程模式过于苛刻，对于超出该限制之外的数据分析任务，需要进行一些额外的数据转换。另外，它没有通用操作集，即使是对最通用的操作，如：projection和filtering。这些限制导致Map/Reduce代码重用性和可维护性不高，任务的分析语义不够清晰，将对系统性能优化造成影响。

基于以上问题，Yahoo!开发了一种新的基于数据流的大规模数据分析处理语言-Pig Latin,该语言借鉴了SQL和Map/Reduce两者的优点，既具有类似SQL的灵活可变式性，又有过程式语言的数据流特点。

首先以一个例子来直观感受Pig Latin的特点。安装好Pig之后，tutorial/data/下包含文件excite-small.log。其中每一行记录代表某一用户在某个时刻的一次查询。假设我们将该文件load进一个表query：(userID,time,queryitem)。现在需要查询每个用户的查询次数。如果使用SQL语句，查询语句如下：

• SELECT userID, COUNT(*) FROM query GROUP BY userID;

与上述SQL等价的Pig Latin程序如下：

• log  = LOAD ‘tutorial/data/excite-small.log’ AS (userID:chararray, time:long, queryitem:chararray);
• grpd = GROUP log BY userID;
• cntd = FOREACH grpd GENERATE group, COUNT(log);
• STORE cntd INTO ‘output’;

Pig Latin语言在编程风格上与SQL有明显差别，前者凸显了程序的执行数据流，后者只关注最终结果。SQL更适合于编程经验不丰富的程序员，适合小规模数据集；Pig Latin更适合有经验的程序员和大规模数据集。另外，尽管Pig Latin程序提供了显示的操作序列，但实际的执行计划不一定按照该顺序执行，编译器会根据一定的规则对执行顺序进行一定的优化。Pig Latin语言的学习可以参考官方文档。

Pig的安装部署

Pig的运行模式有两种。一种是Local mode，也就是本地模式，这种模式下Pig运行在一个JVM里，访问的是本地的文件系统，只适合于小规模数据集，一般是用来体验Pig。而且，它并没有用到Hadoop的Local runner，Pig把查询转换为物理的Plan，然后自己去执行。在终端下输入pig -x local；就可以进入Local模式了。

还有一种就是Hadoop模式了，这种模式下，Pig才真正的把查询转换为相应的MapReduce Jobs，并提交到Hadoop集群去运行，集群可以是真实的分布式也可以是伪分布式。要想Pig能认识Hadoop，你要告诉它Hadoop的版本以及一些关键daemon的信息（也就是Namenode和Jobtracker的Address和Port）。

我们只是想让Pig在本地模式下运行，所以安装部署很简单：

1. 去官网下载Pig，我下载的是最新版本pig-0.10.0.tar.gz。
2. 将Pig的bin目录添加环境变量：编辑/etc/profile，添加

• export PIG_HOME=/home/wangxing/Development/pig-0.10.0
• export PATH=$PATH:$PIG_HOME/bin

Pig实例：相似专利发现

(1) 下载专利引用数据集Cite75_99.zip。文本中的每一行代表某一专利引用了其他一个专利一次。某一专利可以引用多篇其他专利。例如下例中，在专利3858241中引用了956203,1324234,3398406三个专利。另外，由于本人的电脑磁盘容量限制，试验中只取了Cite75_99.zip前100万条记录。

3858241,956203
3858241,1324234
3858241,3398406
3858242,1515701

(2) 专利的相似度量：如果两篇专利A，B在其他的专利中超过N次被一起被引用，我们认为专利A，B是相似的。这里N是我们指定的一个阀值。

(3)对于涉及成对计算的应用(例如这里的计算每对专利联合引用的次数)，通常很容易想到采用一对嵌套的循环来枚举出所有的专利对，并对每一对进行计数。这样，便产生二阶复杂度。然而我们发现大部分的专利对是不会被同时引用的，让相似度计算仅作用于已知被一起引用的专利对。相似专利发现可以做以下操作：

1. 获得每一个专利所引用专利的列表
2. 生成这个列表上所有的专利对，并记录
3. 统计每个专利对的个数

(4)编写Pig Latin脚本simiralitycite.pig

cite = LOAD ‘cite75_99_1000000.txt’ USING PigStorage(‘,’) AS (citing:int, cited:int);
cite_grpd = GROUP cite BY citing;
cite_grpd_dbl = FOREACH cite_grpd GENERATE group, cite.cited AS cited1,cite.cited AS cited2;
cocite = FOREACH cite_grpd_dbl GENERATE FLATTEN(cited1), FLATTEN(cited2);
cocite_fltrd = FILTER cocite BY cited1::cited != cited2::cited;
cocite_grpd = GROUP cocite_fltrd BY *;
cocite_flat = FOREACH cocite_grpd GENERATE FLATTEN(group), COUNT(cocite_fltrd) as cnt;
cocite_final = FILTER cocite_flat BY cnt > 10;
STORE cocite_final INTO ‘output’;

• 关系cite_grpd通过group让每个专利包含一个包，这个包中是这个专利和引用的专利的组合列表。从这个关系（如图示）我们可以看到专利3601095和3685034在专利3858554中被一起引用。
• 关系cite_grpd_dbl创建了重复的列cited2。cited1和cited2的值是相同的，该重复支持交叉乘操作。cocite对每一行平坦化后再用交叉乘生成专利引用对。
• 关系cocite_fltrd过滤掉自己引用自己的情况，这个是在交叉乘时引进的错误。
• 关系cocite_grpd、cocite_flat对每个专利对计数。
• 关系cocite_final输出相似专利对，这里我们认为一起被引用10次以上，就表示两专利相似。

下面是调试中，ILLUSTRATE cocite_flat的输出信息。ILLUSTRATE命令自己运行数据集的一个样本，并查看每个关系的生成过程。

(5)最后查看Pig统计结果。我们发现前100万条记录中，专利3658634和专利3717609被一起引用的次数最多，有45次，最相似度最高。