{"id":475879,"date":"2023-08-09T07:24:43","date_gmt":"2023-08-09T07:24:43","guid":{"rendered":""},"modified":"2023-09-05T11:11:30","modified_gmt":"2023-09-05T11:11:30","slug":"apache-pig","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/fr\/wiki\/apache-pig\/","title":{"rendered":"Cochon Apache"},"content":{"rendered":"<p>Apache Pig est une plateforme open source qui facilite le traitement d&#039;ensembles de donn\u00e9es \u00e0 grande \u00e9chelle dans un environnement informatique distribu\u00e9. Il a \u00e9t\u00e9 d\u00e9velopp\u00e9 par Yahoo! et a ensuite contribu\u00e9 \u00e0 l&#039;Apache Software Foundation, o\u00f9 il est devenu partie int\u00e9grante de l&#039;\u00e9cosyst\u00e8me Apache Hadoop. Apache Pig fournit un langage de haut niveau appel\u00e9 Pig Latin, qui r\u00e9sume les t\u00e2ches complexes de traitement de donn\u00e9es, permettant ainsi aux d\u00e9veloppeurs d&#039;\u00e9crire plus facilement des pipelines de transformation de donn\u00e9es et d&#039;analyser de grands ensembles de donn\u00e9es.<\/p>\n<h2>L&#039;histoire d&#039;Apache Pig et sa premi\u00e8re mention<\/h2>\n<p>Les origines d&#039;Apache Pig remontent \u00e0 des recherches men\u00e9es par Yahoo! vers 2006. L&#039;\u00e9quipe de Yahoo! a reconnu les d\u00e9fis li\u00e9s au traitement efficace de grandes quantit\u00e9s de donn\u00e9es et a cherch\u00e9 \u00e0 d\u00e9velopper un outil qui simplifierait la manipulation des donn\u00e9es sur Hadoop. Cela a conduit \u00e0 la cr\u00e9ation de Pig Latin, un langage de script sp\u00e9cialement con\u00e7u pour le traitement des donn\u00e9es bas\u00e9 sur Hadoop. En 2007, Yahoo! a publi\u00e9 Apache Pig en tant que projet open source, et il a ensuite \u00e9t\u00e9 adopt\u00e9 par l&#039;Apache Software Foundation.<\/p>\n<h2>Informations d\u00e9taill\u00e9es sur Apache Pig<\/h2>\n<p>Apache Pig vise \u00e0 fournir une plateforme de haut niveau pour le traitement et l&#039;analyse des donn\u00e9es sur les clusters Apache Hadoop. Les principaux composants d&#039;Apache Pig incluent\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Cochon latin:<\/strong> Il s&#039;agit d&#039;un langage de flux de donn\u00e9es qui r\u00e9sume les t\u00e2ches complexes de Hadoop MapReduce en op\u00e9rations simples et faciles \u00e0 comprendre. Pig Latin permet aux d\u00e9veloppeurs d&#039;exprimer les transformations et les analyses de donn\u00e9es de mani\u00e8re succincte, cachant ainsi les complexit\u00e9s sous-jacentes de Hadoop.<\/p>\n<\/li>\n<li>\n<p><strong>Environnement d&#039;ex\u00e9cution\u00a0:<\/strong> Apache Pig prend en charge \u00e0 la fois le mode local et le mode Hadoop. En mode local, il s&#039;ex\u00e9cute sur une seule machine, ce qui le rend id\u00e9al pour les tests et le d\u00e9bogage. En mode Hadoop, il utilise la puissance d&#039;un cluster Hadoop pour le traitement distribu\u00e9 de grands ensembles de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Techniques d&#039;optimisation\u00a0:<\/strong> Pig optimise le flux de travail de traitement des donn\u00e9es en optimisant automatiquement les plans d&#039;ex\u00e9cution des scripts Pig Latin. Cela garantit une utilisation efficace des ressources et des temps de traitement plus rapides.<\/p>\n<\/li>\n<\/ol>\n<h2>La structure interne d&#039;Apache Pig et son fonctionnement<\/h2>\n<p>Apache Pig suit un mod\u00e8le de traitement de donn\u00e9es en plusieurs \u00e9tapes qui implique plusieurs \u00e9tapes pour ex\u00e9cuter un script Pig Latin\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Analyse\u00a0:<\/strong> Lorsqu&#039;un script Pig Latin est soumis, le compilateur Pig l&#039;analyse pour cr\u00e9er un arbre de syntaxe abstraite (AST). Cet AST repr\u00e9sente le plan logique des transformations de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Optimisation logique\u00a0:<\/strong> L&#039;optimiseur logique analyse l&#039;AST et applique diverses techniques d&#039;optimisation pour am\u00e9liorer les performances et r\u00e9duire les op\u00e9rations redondantes.<\/p>\n<\/li>\n<li>\n<p><strong>G\u00e9n\u00e9ration de plans physiques\u00a0:<\/strong> Apr\u00e8s l&#039;optimisation logique, Pig g\u00e9n\u00e8re un plan d&#039;ex\u00e9cution physique bas\u00e9 sur le plan logique. Le plan physique d\u00e9finit la mani\u00e8re dont les transformations de donn\u00e9es seront ex\u00e9cut\u00e9es sur le cluster Hadoop.<\/p>\n<\/li>\n<li>\n<p><strong>Ex\u00e9cution de MapReduce\u00a0:<\/strong> Le plan physique g\u00e9n\u00e9r\u00e9 est converti en une s\u00e9rie de t\u00e2ches MapReduce. Ces t\u00e2ches sont ensuite soumises au cluster Hadoop pour un traitement distribu\u00e9.<\/p>\n<\/li>\n<li>\n<p><strong>Collecte des r\u00e9sultats\u00a0:<\/strong> Une fois les t\u00e2ches MapReduce termin\u00e9es, les r\u00e9sultats sont collect\u00e9s et renvoy\u00e9s \u00e0 l&#039;utilisateur.<\/p>\n<\/li>\n<\/ol>\n<h2>Analyse des principales fonctionnalit\u00e9s d&#039;Apache Pig<\/h2>\n<p>Apache Pig offre plusieurs fonctionnalit\u00e9s cl\u00e9s qui en font un choix populaire pour le traitement du Big Data\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Abstraction:<\/strong> Pig Latin r\u00e9sume les complexit\u00e9s de Hadoop et MapReduce, permettant aux d\u00e9veloppeurs de se concentrer sur la logique de traitement des donn\u00e9es plut\u00f4t que sur les d\u00e9tails de mise en \u0153uvre.<\/p>\n<\/li>\n<li>\n<p><strong>Extensibilit\u00e9:<\/strong> Pig permet aux d\u00e9veloppeurs de cr\u00e9er des fonctions d\u00e9finies par l&#039;utilisateur (UDF) en Java, Python ou d&#039;autres langages, \u00e9tendant ainsi les capacit\u00e9s de Pig et facilitant les t\u00e2ches de traitement de donn\u00e9es personnalis\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Flexibilit\u00e9 du sch\u00e9ma\u00a0:<\/strong> Contrairement aux bases de donn\u00e9es relationnelles traditionnelles, Pig n&#039;applique pas de sch\u00e9mas stricts, ce qui le rend adapt\u00e9 au traitement de donn\u00e9es semi-structur\u00e9es et non structur\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Soutien communautaire\u00a0:<\/strong> Faisant partie de l&#039;\u00e9cosyst\u00e8me Apache, Pig b\u00e9n\u00e9ficie d&#039;une communaut\u00e9 de d\u00e9veloppeurs large et active, assurant un support continu et des am\u00e9liorations continues.<\/p>\n<\/li>\n<\/ol>\n<h2>Types de cochon Apache<\/h2>\n<p>Apache Pig fournit deux principaux types de donn\u00e9es\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Donn\u00e9es relationnelles\u00a0:<\/strong> Apache Pig peut g\u00e9rer des donn\u00e9es structur\u00e9es, similaires aux tables de bases de donn\u00e9es traditionnelles, en utilisant le <code data-no-translation=\"\">RELATION<\/code> Type de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Donn\u00e9es imbriqu\u00e9es\u00a0:<\/strong> Pig prend en charge les donn\u00e9es semi-structur\u00e9es, telles que JSON ou XML, en utilisant le <code data-no-translation=\"\">BAG<\/code>, <code data-no-translation=\"\">TUPLE<\/code>, et <code data-no-translation=\"\">MAP<\/code> types de donn\u00e9es pour repr\u00e9senter les structures imbriqu\u00e9es.<\/p>\n<\/li>\n<\/ol>\n<p>Voici un tableau r\u00e9sumant les types de donn\u00e9es dans Apache Pig\u00a0:<\/p>\n<table>\n<thead>\n<tr>\n<th>Type de donn\u00e9es<\/th>\n<th>Description<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><code data-no-translation=\"\">int<\/code><\/td>\n<td>Entier<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">long<\/code><\/td>\n<td>Entier long<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">float<\/code><\/td>\n<td>Nombre \u00e0 virgule flottante simple pr\u00e9cision<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">double<\/code><\/td>\n<td>Nombre \u00e0 virgule flottante double pr\u00e9cision<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">chararray<\/code><\/td>\n<td>Tableau de caract\u00e8res (cha\u00eene)<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">bytearray<\/code><\/td>\n<td>Tableau d&#039;octets (donn\u00e9es binaires)<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">boolean<\/code><\/td>\n<td>Bool\u00e9en (vrai\/faux)<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">datetime<\/code><\/td>\n<td>Date et l&#039;heure<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">RELATION<\/code><\/td>\n<td>Repr\u00e9sente des donn\u00e9es structur\u00e9es (similaire \u00e0 une base de donn\u00e9es)<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">BAG<\/code><\/td>\n<td>Repr\u00e9sente des collections de tuples (structures imbriqu\u00e9es)<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">TUPLE<\/code><\/td>\n<td>Repr\u00e9sente un enregistrement (tuple) avec des champs<\/td>\n<\/tr>\n<tr>\n<td><code data-no-translation=\"\">MAP<\/code><\/td>\n<td>Repr\u00e9sente les paires cl\u00e9-valeur<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Fa\u00e7ons d&#039;utiliser Apache Pig, probl\u00e8mes et leurs solutions<\/h2>\n<p>Apache Pig est largement utilis\u00e9 dans divers sc\u00e9narios, tels que\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>ETL (Extraire, Transformer, Charger)\u00a0:<\/strong> Pig est couramment utilis\u00e9 pour les t\u00e2ches de pr\u00e9paration de donn\u00e9es dans le processus ETL, o\u00f9 les donn\u00e9es sont extraites de plusieurs sources, transform\u00e9es au format souhait\u00e9, puis charg\u00e9es dans des entrep\u00f4ts de donn\u00e9es ou des bases de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>L&#039;analyse des donn\u00e9es:<\/strong> Pig facilite l&#039;analyse des donn\u00e9es en permettant aux utilisateurs de traiter et d&#039;analyser efficacement de grandes quantit\u00e9s de donn\u00e9es, ce qui le rend adapt\u00e9 aux t\u00e2ches de business intelligence et d&#039;exploration de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Nettoyage des donn\u00e9es:<\/strong> Pig peut \u00eatre utilis\u00e9 pour nettoyer et pr\u00e9traiter les donn\u00e9es brutes, g\u00e9rer les valeurs manquantes, filtrer les donn\u00e9es non pertinentes et convertir les donn\u00e9es dans les formats appropri\u00e9s.<\/p>\n<\/li>\n<\/ol>\n<p>Les d\u00e9fis que les utilisateurs peuvent rencontrer lors de l&#039;utilisation d&#039;Apache Pig incluent\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Les probl\u00e8mes de performance:<\/strong> Les scripts Pig Latin inefficaces peuvent conduire \u00e0 des performances sous-optimales. Une optimisation appropri\u00e9e et une conception d&#039;algorithme efficace peuvent aider \u00e0 surmonter ce probl\u00e8me.<\/p>\n<\/li>\n<li>\n<p><strong>D\u00e9bogage de pipelines complexes\u00a0:<\/strong> Le d\u00e9bogage de pipelines de transformation de donn\u00e9es complexes peut s\u2019av\u00e9rer difficile. Tirer parti du mode local de Pig pour les tests et le d\u00e9bogage peut aider \u00e0 identifier et \u00e0 r\u00e9soudre les probl\u00e8mes.<\/p>\n<\/li>\n<li>\n<p><strong>D\u00e9salignement des donn\u00e9es\u00a0:<\/strong> L&#039;asym\u00e9trie des donn\u00e9es, dans laquelle certaines partitions de donn\u00e9es sont nettement plus grandes que d&#039;autres, peut entra\u00eener un d\u00e9s\u00e9quilibre de charge dans les clusters Hadoop. Des techniques telles que la r\u00e9partition des donn\u00e9es et l&#039;utilisation de combineurs peuvent att\u00e9nuer ce probl\u00e8me.<\/p>\n<\/li>\n<\/ol>\n<h2>Principales caract\u00e9ristiques et comparaisons avec des termes similaires<\/h2>\n<table>\n<thead>\n<tr>\n<th>Fonctionnalit\u00e9<\/th>\n<th>Cochon Apache<\/th>\n<th>Ruche Apache<\/th>\n<th>Apache Spark<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Mod\u00e8le de traitement<\/td>\n<td>Proc\u00e9dure (cochon latin)<\/td>\n<td>D\u00e9claratif (Hive QL)<\/td>\n<td>Traitement en m\u00e9moire (RDD)<\/td>\n<\/tr>\n<tr>\n<td>Cas d&#039;utilisation<\/td>\n<td>Transformation des donn\u00e9es<\/td>\n<td>Entreposage de donn\u00e9es<\/td>\n<td>Traitement de l&#039;information<\/td>\n<\/tr>\n<tr>\n<td>Support linguistique<\/td>\n<td>Pig Latin, fonctions d\u00e9finies par l&#039;utilisateur (Java\/Python)<\/td>\n<td>Hive QL, fonctions d\u00e9finies par l&#039;utilisateur (Java)<\/td>\n<td>SparkSQL, Scala, Java, Python<\/td>\n<\/tr>\n<tr>\n<td>Performance<\/td>\n<td>Id\u00e9al pour le traitement par lots<\/td>\n<td>Id\u00e9al pour le traitement par lots<\/td>\n<td>Traitement en m\u00e9moire et en temps r\u00e9el<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9gration avec Hadoop<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<td>Oui<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspectives et technologies futures li\u00e9es \u00e0 Apache Pig<\/h2>\n<p>Apache Pig continue d&#039;\u00eatre un outil pertinent et pr\u00e9cieux pour le traitement du Big Data. \u00c0 mesure que la technologie progresse, plusieurs tendances et d\u00e9veloppements peuvent influencer son avenir\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Traitement en temps r\u00e9el\u00a0:<\/strong> Bien que Pig excelle dans le traitement par lots, les futures versions pourraient int\u00e9grer des capacit\u00e9s de traitement en temps r\u00e9el, r\u00e9pondant ainsi \u00e0 la demande d&#039;analyse de donn\u00e9es en temps r\u00e9el.<\/p>\n<\/li>\n<li>\n<p><strong>Int\u00e9gration avec d&#039;autres projets Apache\u00a0:<\/strong> Pig pourrait am\u00e9liorer son int\u00e9gration avec d&#039;autres projets Apache comme Apache Flink et Apache Beam pour tirer parti de leurs capacit\u00e9s de streaming et de traitement unifi\u00e9 par lots\/streaming.<\/p>\n<\/li>\n<li>\n<p><strong>Optimisations am\u00e9lior\u00e9es\u00a0:<\/strong> Les efforts continus visant \u00e0 am\u00e9liorer les techniques d&#039;optimisation de Pig pourraient conduire \u00e0 un traitement des donn\u00e9es encore plus rapide et plus efficace.<\/p>\n<\/li>\n<\/ol>\n<h2>Comment les serveurs proxy peuvent \u00eatre utilis\u00e9s ou associ\u00e9s \u00e0 Apache Pig<\/h2>\n<p>Les serveurs proxy peuvent \u00eatre utiles lors de l&#039;utilisation d&#039;Apache Pig \u00e0 diverses fins\u00a0:<\/p>\n<ol>\n<li>\n<p><strong>Collecte de donn\u00e9es:<\/strong> Les serveurs proxy peuvent aider \u00e0 collecter des donn\u00e9es sur Internet en agissant comme interm\u00e9diaires entre les scripts Pig et les serveurs Web externes. Ceci est particuli\u00e8rement utile pour les t\u00e2ches de web scraping et de collecte de donn\u00e9es.<\/p>\n<\/li>\n<li>\n<p><strong>Mise en cache et acc\u00e9l\u00e9ration\u00a0:<\/strong> Les serveurs proxy peuvent mettre en cache les donn\u00e9es fr\u00e9quemment consult\u00e9es, r\u00e9duisant ainsi le besoin de traitement redondant et acc\u00e9l\u00e9rant la r\u00e9cup\u00e9ration des donn\u00e9es pour les t\u00e2ches Pig.<\/p>\n<\/li>\n<li>\n<p><strong>Anonymat et confidentialit\u00e9\u00a0:<\/strong> Les serveurs proxy peuvent assurer l&#039;anonymat en masquant la source des t\u00e2ches Pig, garantissant ainsi la confidentialit\u00e9 et la s\u00e9curit\u00e9 pendant le traitement des donn\u00e9es.<\/p>\n<\/li>\n<\/ol>\n<h2>Liens connexes<\/h2>\n<p>Pour en savoir plus sur Apache Pig, voici quelques ressources pr\u00e9cieuses\u00a0:<\/p>\n<ul>\n<li><a href=\"https:\/\/pig.apache.org\/\" target=\"_new\" rel=\"noopener nofollow\">Site officiel d&#039;Apache Pig<\/a><\/li>\n<li><a href=\"https:\/\/cwiki.apache.org\/confluence\/display\/PIG\/Index\" target=\"_new\" rel=\"noopener nofollow\">Wiki Apache Pig<\/a><\/li>\n<li><a href=\"https:\/\/www.tutorialspoint.com\/apache_pig\/index.htm\" target=\"_new\" rel=\"noopener nofollow\">Tutoriel Apache Pig<\/a><\/li>\n<li><a href=\"https:\/\/www.apache.org\/\" target=\"_new\" rel=\"noopener nofollow\">Fondation logicielle Apache<\/a><\/li>\n<\/ul>\n<p>En tant qu&#039;outil polyvalent pour le traitement du Big Data, Apache Pig reste un atout essentiel pour les entreprises et les passionn\u00e9s de donn\u00e9es recherchant une manipulation et une analyse efficaces des donn\u00e9es au sein de l&#039;\u00e9cosyst\u00e8me Hadoop. Son d\u00e9veloppement continu et son int\u00e9gration avec les technologies \u00e9mergentes garantissent que Pig restera pertinent dans le paysage en constante \u00e9volution du traitement du Big Data.<\/p>","protected":false},"featured_media":467618,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-475879","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Apache Pig: Streamlining Big Data Processing<\/mark>","faq_items":[{"question":"What is Apache Pig?","answer":"Apache Pig is an open-source platform that simplifies the processing of large-scale data sets in a distributed computing environment. It provides a high-level language called Pig Latin, which abstracts complex data processing tasks on Apache Hadoop clusters."},{"question":"How did Apache Pig originate?","answer":"The origins of Apache Pig can be traced back to research conducted at Yahoo! around 2006. The team at Yahoo! developed Pig to address the challenges of processing vast amounts of data efficiently on Hadoop. It was later released as an open-source project in 2007."},{"question":"How does Apache Pig work?","answer":"Apache Pig follows a multi-stage data processing model. It starts with parsing the Pig Latin script, followed by logical optimization, physical plan generation, MapReduce execution, and result collection. This process streamlines data processing on Hadoop clusters."},{"question":"What are the key features of Apache Pig?","answer":"Apache Pig offers several key features, including abstraction through Pig Latin, execution in both local and Hadoop modes, and automatic optimization of data processing workflows."},{"question":"What types of data does Apache Pig support?","answer":"Apache Pig supports two main types of datrelational data (structured) and nested data (semi-structured), such as JSON or XML. It provides data types like <code>int<\/code>, <code>float<\/code>, <code>chararray<\/code>, <code>BAG<\/code>, <code>TUPLE<\/code>, and more."},{"question":"How can I use Apache Pig?","answer":"Apache Pig is commonly used for ETL (Extract, Transform, Load) processes, data analysis, and data cleansing tasks. It simplifies data preparation and analysis on big data sets."},{"question":"What are the common challenges while using Apache Pig?","answer":"Users may face performance issues due to inefficient Pig Latin scripts. Debugging complex pipelines and handling data skew in Hadoop clusters are also common challenges."},{"question":"How does Apache Pig compare to other similar technologies?","answer":"Apache Pig differs from Apache Hive and Apache Spark in terms of its processing model, use cases, language support, and performance characteristics. While Pig is good for batch processing, Spark offers in-memory and real-time processing capabilities."},{"question":"What does the future hold for Apache Pig?","answer":"The future of Apache Pig may involve enhanced optimization techniques, real-time processing capabilities, and closer integration with other Apache projects like Flink and Beam."},{"question":"How can proxy servers be associated with Apache Pig?","answer":"Proxy servers can be beneficial in data collection, caching, and ensuring anonymity while using Apache Pig. They act as intermediaries between Pig scripts and external web servers, facilitating various data processing tasks.\r\n\r\nFor more information about Apache Pig, check out the official Apache Pig website, tutorials, and resources from the Apache Software Foundation."}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/475879","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/475879\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media\/467618"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media?parent=475879"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}