Pig安装讲解-创新互联

Pig 简介：

     Pig 是 Apache 项目的一个子项目，Pig 提供了一个支持大规模数据分析的平台，Pig 突出的特点就是它的结构经得起大量并行任务的检验，使得它能够处理大规模数据集

Pig 特点：

    Pig 可简化 MapReduce 任务的开发

  Pig 可以看做 Hadoop 的客户端软件，可以连接到 Hadoop 集群进行数据分析工作

    Pig 方便不熟悉 Java 的用户，使用一种较为简便的类似 SQL 的面向数据流的语言 PigLatin 语言进行数据处理

    PigLatin 可以进行排序，过滤，求和，分组，关联等常用操作，还可以自定义函数，这是面向数据分析处理的轻量级脚本语言

    Pig 可以看做是 PigLatin 到 MapReduce 的映射器

  当Pig在MapReduce模式运行时，它将访问一个Hadoop集群和HDFS的安装位置。这时Pig将自动地对这个集群进行分配和回收

Pig 的数据模式： relation(关系), bag(包), tuple(元组), field(字段，列)

        relation（关系）：具有相同字段(列)的 tuple 称为关系

        bag(包)：与关系型数据库中的表类似，包含多个 tuple，

        tuple(元组)：相当于关系型数据库中的行，与关系型数据库不同的是，tuple 不要求每一行具有相同的结构

        field(字段，列)：与关系型数据库中的列相似，不同的是，field 中可以嵌套表，而关系型 数据库中的列中不可以嵌套表

Pig 的安装和配置：

    安装： 解压安装包并添加环境变量即可

            tar -zxvf pig-0.17.0.tar.gz -C ~/app

            vim ~/.bash_profix

                PIG_HOME= PIG_HOME=/app/pig-0.17.0

                export PIG_HOME

                PATH=$PIG_HOME/bin:$PATH

                export PATH

    Pig 有两种运行模式：本地模式： 操作 Linux 文件

                                                        启动方式： pig -x  local

                                     集群模式: 链接到 HDFS

                                                PIG_CLASSPATH=/app/hadoop-2.7.3/etc/hadoop

                                                export  PIG_CLASSPATH

                                                        启动命令： pig

Pig 操作 Linux 命令：

         sh 后面跟linux 命令可以直接对 linux 中的文件进行操作

       ls  cd  cat  mkdir  pwd 操作 HDFS

         copyFromLocal  从linux 系统 copy 文件到 HDFS

         copyToLocal        从 HDFS copy 文件到 linux 系统

         register  define        使用 Pig 自定义函数

PigLatin 语句：

        ---> 需要使用 Hadoop 的 HistoryServer

                mr-jobhistory-daemon.sh start historyserver

                地址： http://192.168.10.100:19888/jobhistory

        ---> 常用的 PigLatin 语句

                load                        加载数据到 bag (表)

                foreach                  相当于循环， 对 bag 每一条数据遍历

        filter                        相当于 where

        group by                分组

        join                         连接

        generate                 提取列

        union/intersect        集合运算

        输出：dump            直接打印到屏幕上

    ·                     store             输出到 HDFS 上

举例: 7654,MARTIN,SALESMAN,7698,1981/9/28,1250,1400,30

加载员工数据到bag(表)

        emp = load '/input/table/emp.csv' using PigStorage(',')

                    as  (empno:int, ename:chararray, job:chararray, mgr:int, hiredate:chararray, sal:int, comm:int, deptno:int );

        dept = load '/scott/dept.csv' using PigStorage(',') as(deptno:int,dname:chararray,loc:chararray);

        查看表结构： describe  emp;

查询员工信息：员工号， 姓名， 薪水

        SQL语句： select empno, ename, sal from  emp ;

        PL 语句： emp = foreach emp generate empno, ename, sal;

                        输出到屏幕上： dump emp;

查询员工信息，按照月薪排序：

        SQL 语句：select * from emp order by sal ;

        PL 语句：emp = order emp by sal ;

分组：求每个部门工资最高值

        SQL语句： select  deptno, max(sql)  from emp group by deptno ;

        PL 语句：需要分两部

                    1. 分组

                        emp_group = group emp by deptno ;

                    2. 求每个部门大值

                        max_sal = foreach emp_group generate group, MAX(emp.sal)

查询 10 号部门的员工：

        SQL 语句： select * from emp where deptno = 10 ;

        PL 语句： deptno_10 = filter emp by deptno==10 ;

多表查询：员工姓名， 部门名称

        SQL 语句： select e.ename d.dname from emp e, dept d where e.ename=d.dname;

        PL 语句： 分两部实现

            1. 将两个表中的两个字段提取出来放入一张表中

                newtable = join dept by deptno, emp by ename

          2. 遍历提取出来的表，将 员工表的员工姓名， 部门表的部门名称提取出来

                table = foreach newtable generate dept:: dname, emp:: ename

集合运算： 关系型数据库 Oracle ： 参与集合运算的各个集合必须列数相同且类型一致

        查询 10 号 和 20 号部门的员工

        SQL 语句： select * from emp where deptno=10

                            union select * from emp where deptno=20;

        PL 语句：emp10 = filter emp by deptno==10;

                        emp20 = filter dept by deptno==20;

                        emp10_20 = union emp10, emp20;

使用PL实现WordCount：

① 加载数据

mydata = load '/data/data.txt' as (line:chararray);

② 将字符串分割成单词

words = foreach mydata generate flatten(TOKENIZE(line)) as word;

③ 对单词进行分组

grpd = group words by word;

④ 统计每组中单词数量

cntd = foreach grpd generate group,COUNT(words);

⑤ 打印结果

dump cntd;

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。