当前位置: 首页 > 工具软件 > Cascalog > 使用案例 >

Cascalog入门

咸弘雅
2023-12-01

前提

1. 版本: Cascalog 2.0.0

2. 搭建Hadoop集群

3. 安装Leiningen 或 Maven


如何在你的项目中增加Cascalog依赖

Clojure 组件发布在Clojars repository.

With Leiningen

增加Cascalog依赖

[cascalog "2.0.0"]

在你的项目文件project.clj中增加对Hadoop的开发依赖

:profiles{ :dev {:dependencies[[org.apache.hadoop/hadoop-core "1.1.2"]]}}

project.clj中,为在local mode运行Hadoop提高heap大小,确保heap size 至少 768 MB

:jvm-opts ["-Xms768m" "-Xmx768m"]

With Maven

用Maven替代Leiningen,为你的repositories增加Clojars

<repository>
  <id>clojars.org</id>
  <url>http://clojars.org/repo</url>
</repository>

为你的项目添加Cascalog依赖

<dependency>
  <groupId>cascalog</groupId>
  <artifactId>cascalog</artifactId>
  <version>2.0.0</version>
</dependency>

Use Cascalog through Java or Clojure?

Cascalog以Clojure原生实现,但Cascalog提供了名为JCascalog的纯Java接口可与Clojure版本的互操作,选择适合自己的接口。

JCascalog 

Basics

首先看些简单查询,我们查询的数据集在here, 所有的实例代码均在此文件可用this file。下面的查询获取所有25岁的人:

Api.execute(
  new StdoutTap(),
  new Subquery("?person")
    .predicate(Playground.AGE, "?person", 25));

执行如上查询,获得如下结果:

RESULTS
-----------------------
david
emily
-----------------------

解析上述查询:

  1. 执行查询并将结果存入一个 StdoutTap的实例
  2. StdoutTap是一类cascading.tap.Tap,对数据读写的抽象,StdoutTap将 tuples写入stdout.
  3. 一个Subquery代表在其他tuple集合上进行计算获得的tuple集合,上述Subquery为:
    • emit 包含一个名为"?person"field的输出 tuples
    • 在Playground.AGE dataset读取数据,绑定此dataset的第一个field到"?person"并仅仅保留第二个field为25的tuples
  4. Subquery包含一个"output fields declaration",subquery输出tuple的名字和若干定义、约束这些输出变量的predicates。任何数据操作均可通过predicates实现:获取数据源、function、过滤、汇总、分组和二次排序等。

稍微复杂的查询,查出所有小于30岁的人:

Api.execute(
  new StdoutTap(),
  new Subquery("?person")
    .predicate(Playground.AGE, "?person", "?age")
    .predicate(new LT(), "?age", 30));

query 解析:

  1. Subquerysays "emit含有一个名为'?person' tuplefield

  2. 读取AGEdataset并绑定第一个field"?person"和第二个field"?age"

  3. 第二个predicatetuple创建一个过滤器,保留'?age' 小于30"tuple

上述查询仅仅输出名字,如果也包含年龄,仅仅在输出field声明中增加"?age",如下:

Api.execute(
  new StdoutTap(),
  new Subquery("?person", "?age")
    .predicate(Playground.AGE, "?person", "?age")
    .predicate(new LT(), "?age", 30));

This query will print out:

RESULTS
-----------------------
david   25
emily   25
kumar   27
alice   28
gary    28
-----------------------

在查询中通过一个function创建新变量的例子:将上述查询中输出年龄改为输出年龄的两倍。

Api.execute(
  new StdoutTap(),
  new Subquery("?person", "?double-age")
    .predicate(Playground.AGE, "?person", "?age")
    .predicate(new Multiply(), "?age", 2).out("?double-age"));
执行function Multiply, ?age2作为输入,emit名为?double-age的变量作为输出。
如下predicate以一组fields作为输入、一组fields作为输出。
在Cascalog中你可用两种类型的fields:
  1. "Vars":"?","!", or "!!"开头的字符串,绑定于一个predicate输出的var代表由此predicateemit的所有此部分的tuple值。

  2. "Constants":常量。

JCascalog可以Options/DISTINCT作为使用predicateemit一组去重tuples,比如,FOLLOWSdataset:

["alice" "david"]
["alice" "bob"]
["alice" "emily"]
["bob" "david"]
["bob" "george"]
["bob" "luanne"]
["david" "alice"]
["david" "luanne"]
["emily" "alice"]
["emily" "bob"]
["emily" "george"]
["emily" "gary"]
["george" "gary"]
["harold" "bob"]
["luanne" "harold"]
["luanne" "gary"]

取出所有第一个field的值:

Api.execute(
  new StdoutTap(),
  new Subquery("?person")
    .predicate(Playground.FOLLOWS, "?person", "_")
    .predicate(Option.DISTINCT, true));

结果如下:

RESULTS
-----------------------
alice
bob
david
emily
george
harold
luanne
-----------------------

"Option predicates" 是一种特殊的predicate,执行查询时自动调整许多方面。注意绑定于第二个field的下划线"_"意味着忽略此field

Joins

Join两个datasetsFOLLOWSGENDER "emily" follows中所有的男性:

Api.execute(
  new StdoutTap(),
  new Subquery("?person")
    .predicate(Playground.FOLLOWS, "emily", "?person")
    .predicate(Playground.GENDER, "?person", "m"));

Cascalog 中,Joins是隐含的,通过共享一个变量名实现。上例中,var?personFOLLOWSGENDER的输出中共享,在这两个dataset中实现innerjoin"emily"是此查询中的常量。

Multi-level queries

多层子查询:

查询所有followsrelationships中多于两个follow的人员:

Subquery manyFollows =
        new Subquery("?person")                    
            .predicate(Playground.FOLLOWS, "?person", "_")
            .predicate(new Count(), "?count")
            .predicate(new GT(), "?count", 2);
Api.execute(
  new StdoutTap(),
  new Subquery("?person1", "?person2")
    .predicate(manyFollows, "?person1")
    .predicate(manyFollows, "?person2")
    .predicate(Playground.FOLLOWS, "?person1", "?person2"));

首先创建subquery "manyFollows",而后在一个queryjoin"manyFollows"来过滤FOLLOWS

"multi level" queries的关键在于在查询内subqueriestaps以相同方式工作,它们是tuples源,Cascalog把每一个tuple源称为一个"generator".

最后,使得最后的查询更为精确:

Subquery manyFollows =
        new Subquery("?person")
            .predicate(Playground.FOLLOWS, "?person", "_")
            .predicate(new Count(), "?count")
            .predicate(new GT(), "?count", 2);
Api.execute(
  new StdoutTap(),
  new Subquery("?person1", "?person2")
    .predicate(Api.each(manyFollows), "?person1", "?person2")
    .predicate(Playground.FOLLOWS, "?person1", "?person2"));

注意Api.each,它创建"predicatemacro",在此查询的第一个实现上将manyFollows应用为predicate的每个input var ,将一个predicate拓展为两个predicates

Operations

SENTENCEdataset中获取去重单词,需要一个operationsentence分割为组成单词。此operation定义如下:

public class Split extends CascalogFunction {
    public void operate(FlowProcess flowProcess, FunctionCall fnCall) {
        String sentence = fnCall.getArguments().getString(0);
        for(String word: sentence.split(" ")) {
            fnCall.getOutputCollector().add(new Tuple(word));
        }
    }
}

operation获取input的第一个field,作为sentence并且作为单个fieldemits每一个单词。使用此function

Api.execute(
  new StdoutTap(),
  new Subquery("?word")
    .predicate(Playground.SENTENCE, "?sentence")
    .predicate(new Split(), "?sentence").out("?word")
    .predicate(Option.DISTINCT, true));

SENTENCEdataset实现单词统计,典型的MapReduce查询,实现如下:

Api.execute(
  new StdoutTap(),
  new Subquery("?word", "?count")
    .predicate(Playground.SENTENCE, "?sentence")
    .predicate(new Split(), "?sentence").out("?word")
    .predicate(new Count(), "?count"));

唯一不同在于增加了"Count"predicate,在哪里执行了GROUP-BY呢?在CascalogGrouping是隐含实现的,可以在here了解更多关于GroupAggragate的信息。

可在JCascalog中实现6operations

  1. CascalogFunction:一次一个tuple并产生0或多个tuple作为输出。若为0,则输入tuple被过滤,若为多个,输入tuple被复制为多份。

  2. CascalogFilter:如果输入tuple被保留则返回True,否则为False

  3. CascalogAggregator:一种aggregator,参看Cascadingaggregators

  4. CascalogBuffer:另一种aggregator,不能与其他aggregators链接起来,同Cascadingbuffers

  5. ParallelAgg:一种更为严格的aggregator,在map-side自动实现combiners加快计算。

  6. ClojureOp: 引用Clojure编写的operations,一个namespace和一个var名。

jcascalog.op保含有一些列有用的常用operations

读写files

上述操作皆为内存中的读写操作。此例查询读取目录"src/java/jcascalog/example"下所有的text文件并emit单个tuple,包含所有文件的行数,输出在"/tmp/myresults"目录下的一个textfile

Api.execute(
  Api.hfsTextline("/tmp/myresults"),
  new Subquery("?count")
    .predicate(Api.hfsTextline("src/java/jcascalog/example"), "_")
    .predicate(new Count(), "?count"));

Api.hfsTextline作为一helperfunction来创建一个CascadingTapTextLine格式读取HDFS,任何Cascading tap 均可用于Cascalog 查询。

Api static methods

JCascalog API jcascalog.Api类中的staticmethods,这些方法wrapapi.cljops.clj可用的functionality。一些其他functions

  1. unioncombine,用于将两个或多个单独的数据集合并为一个数据集,要求每个 dataset包含由相同field数的tuplesunion增加去重操作。

  2. firstN:排序取出firstN

  3. setApplicationConf:以一mapJobConfparameters自动用于以后的每个查询。

 类似资料: