Apache Pig - Operador distinto

los DISTINCT El operador se utiliza para eliminar tuplas redundantes (duplicadas) de una relación.

Sintaxis

A continuación se muestra la sintaxis de la DISTINCT operador.

grunt> Relation_name2 = DISTINCT Relatin_name1;

Ejemplo

Supongamos que tenemos un archivo llamado student_details.txt en el directorio HDFS /pig_data/ Como se muestra abajo.

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

Y hemos cargado este archivo en Pig con el nombre de la relación. student_details Como se muestra abajo.

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);

Eliminemos ahora las tuplas redundantes (duplicadas) de la relación denominada student_details utilizando la DISTINCT operador y almacenarlo como otra relación denominada distinct_data Como se muestra abajo.

grunt> distinct_data = DISTINCT student_details;

Verificación

Verifica la relación distinct_data utilizando la DUMP operador como se muestra a continuación.

grunt> Dump distinct_data;

Salida

Producirá la siguiente salida, mostrando el contenido de la relación distinct_data como sigue.

(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)