Hadoop入门进阶课程7--Pig介绍、安装与应用案例

转载：http://www.cnblogs.com/shishanyuan/p/4648015.html

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，博主为石山园，博客地址为 http://www.cnblogs.com/shishanyuan 。该系列课程是应邀实验楼整理编写的，这里需要赞一下实验楼提供了学习的新方式，可以边看博客边上机实验，课程地址为 https://www.shiyanlou.com/courses/237
【注】该系列所使用到安装包、测试数据和代码均可在百度网盘下载，具体地址为 http://pan.baidu.com/s/10PnDs，下载该 href="http://files.cnblogs.com/files/shishanyuan/7.Hadoop%E5%85%A5%E9%97%A8%E8%BF%9B%E9%98%B6%E8%AF%BE%E7%A8%8B_%E7%AC%AC7%E5%91%A8_Pig%E4%BB%8B%E7%BB%8D%E3%80%81%E5%AE%89%E8%A3%85%E4%B8%8E%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B.pdf" target=_blank>PDF文件

1、搭建环境

部署节点操作系统为CentOS，防火墙和SElinux禁用，创建了一个shiyanlou用户并在系统根目录下创建/app目录，用于存放Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序，用户对shiyanlou必须赋予rwx权限（一般做法是root用户在根目录下创建/app目录，并修改该目录拥有者为shiyanlou(chown –R
shiyanlou:shiyanlou /app）。
Hadoop搭建环境：
l 虚拟机操作系统： CentOS6.6 64位，单核，1G内存
l JDK：1.7.0_55 64位
l Hadoop：1.1.2

2、Pig介绍

Pig是yahoo捐献给apache的一个项目，使用SQL-like语言，是在MapReduce上构建的一种高级查询语言，把一些运算编译进MapReduce模型的Map和Reduce中。Pig 有两种运行模式：Local 模式和 MapReduce 模式
l 本地模式：Pig运行于本地模式，只涉及到单独的一台计算机
l MapReduce模式：Pig运行于MapReduce模式，需要能访问一个Hadoop集群，并且需要装上HDFS
Pig的调用方式：
l Grunt shell方式：通过交互的方式，输入命令执行任务；
l Pig script方式：通过script脚本的方式来运行任务；
嵌入式方式：嵌入java源代码中，通过java调用来运行任务。

3、搭建Pig环境

3.1 下载并解压安装包

在Apache下载最新的Pig软件包，点击下载会推荐最快的镜像站点，以下为下载地址：http://mirror.bit.edu.cn/apache/pig/



也可以在/home/shiyanlou/install-pack目录中找到该安装包，解压该安装包并把该安装包复制到/app目录中
cd /home/shiyanlou/install-pack
tar -xzf pig-0.13.0.tar.gz
mv pig-0.13.0 /app

3.2 设置环境变量

使用如下命令编辑/etc/profile文件：
sudo vi /etc/profile



设置pig的class路径和在path加入pig的路径，其中PIG_CLASSPATH参数是设置pig在MapReduce工作模式：
export PIG_HOME=/app/pig-0.13.0
export PIG_CLASSPATH=/app/hadoop-1.1.2/conf
export PATH=$PATH:$PIG_HOME/bin



编译配置文件/etc/profile，并确认生效
source /etc/profile
echo $PATH

3.3 验证安装完成

重新登录终端，确保hadoop集群启动，键入pig命令，应该能看到pig连接到hadoop集群的信息并且进入了grunt shell命令行模式：

4、测试例子

4.1 测试例子内容

在/home/shiyanlou/install-pack/class7中有website_log.zip测试数据文件，该文件是某网站访问日志，请大家使用pig计算出每个ip的点击次数，例如 123.24.56.57 13 24.53.23.123 7 34.56.78.120 20 .... 等等

4.2 程序代码

1 //加载HDFS中访问日志，使用空格进行分割，只加载ip列 2 records = LOAD 'hdfs://hadoop:9000/class7/input/website_log.txt' USING PigStorage(' ') AS (ip:chararray); 3  4 // 按照ip进行分组，统计每个ip点击数 5 records_b = GROUP records BY ip; 6 records_c = FOREACH records_b GENERATE group,COUNT(records) AS click; 7  8 // 按照点击数排序，保留点击数前10个的ip数据 9 records_d = ORDER records_c by click DESC;10 top10 = LIMIT records_d 10;11 12 // 把生成的数据保存到HDFS的class7目录中13 STORE top10 INTO 'hdfs://hadoop:9000/class7/out';

4.3 准备数据

可以在/home/shiyanlou/install-pack/class7中找到本节使用的测试数据website_log.zip文件，使用unzip文件解压缩，然后调用hadoop上传本地文件命令把该文件传到HDFS中的/class7目录，如下图所示：
cd /home/shiyanlou/install-pack/class7
unzip website_log.zip
ll
hadoop fs -mkdir /class7/input
hadoop fs -copyFromLocal website_log.txt /class7/input
hadoop fs -cat /class7/input/website_log.txt | less

4.4 实现过程

4.4.1 输入代码

进入pig shell 命令行模式：



输入代码：

4.4.2 运行过程

在执行过程中在JobTracker页面观察运行情况，链接地址为：http://**.***.**.***:50030/jobtracker.jsp



点击查看具体作业信息



可以观察到本次任务分为4个作业，每个作业一次在上一次作业的结果上进行计算

4.4.3 运行结果

通过以下命令查看最后的结果：
hadoop fs -ls /class7/out
hadoop fs -cat /class7/out/part-r-00000