Hadoop:pig 安装及入门示例

pig是hadoop的一个子项目，用于简化MapReduce的开发工作，可以用更人性化的脚本方式分析数据。

一、安装

a) 下载

从官网http://pig.apache.org下载最新版本(目前是0.14.0版本)，最新版本可以兼容hadop 0.x /1.x / 2.x版本，直接解压到某个目录即可。

注：下面是几个国内的镜像站点

http://mirrors.cnnic.cn/apache/pig/

http://mirror.bit.edu.cn/apache/pig/

http://mirrors.hust.edu.cn/apache/pig/

本文的解压目录是：/Users/jimmy/app/pig-0.14.0

b) 环境变量

export PIG_HOME=/Users/jimmy/app/pig-0.14.0

export HADOOP_HOME=/Users/jimmy/app/hadoop-2.6.0

export PIG_CLASSPATH=${HADOOP_HOME}/etc/hadoop/

export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop

...

export PATH=${PIG_HOME}/bin:$PATH

至少要配置上面这几项，其它项比如JAVA_HOME就不必多说了，肯定也是要的。

c) 启动

$PIG_HOME/bin/pig

如果能正常进入grunt > 提示符就表示ok了

二、基本HDFS操作

pig的好处之一是简化了HDFS的操作，没有pig之前要查看一个hdfs的文件，必须$HADOOP_HOME/bin/hdfs dfs -ls /input 打一堆命令，而在pig shell交互模式下，只需要

ls /input 即可

查看hdfs文件内容

cat /input/duplicate.txt

跟在linux下操作完全一样，其它命令留着大家自己去研究吧，不熟悉的可以用help查看帮助

三、基本的数据分析

在前面的文章 Hadoop: MapReduce2的几个基本示例 中，我们用JAVA编程的方式演示了几个基本例子，现在拿pig来实现一把作为对比：

a) 求Count

grunt> a = LOAD '/input/duplicate.txt' AS (value:int);

先将输入文件加载到a中，由于输入文件每行只有一个数字，最后的AS部分表示创建了一个列，名称为value，为整型，其值就是这个数字的值。

可以用describle a; 查看结构，如果要看具体值，可以用dump a;

grunt> b = GROUP a all;

对a进行分组，这里由于没有指定分组条件，所以相当每一行都是分组组件，这一条命令的主要作用是实现行转列，执行完以后，可以查下b的结构和值：

grunt> c = FOREACH b GENERATE COUNT(a.value);

由于b只有一行了，所以上面的语句其实就是求该所有a.value列的个数，即输入文件的总数。

原来用MapReduce要写一坨java代码的工作，现在用PIG只要3条命令就搞定了。

b) 求最大值(MAX)

grunt> c = FOREACH b GENERATE MAX(a.value);

c) 求平均值(AVG)

grunt> c = FOREACH b GENERATE AVG(a.value);

d) 求和(SUM)

grunt> c = FOREACH b GENERATE SUM(a.value);

e) 去重复(DISTINCT)

DISTINCT的思路跟前面略有不同，关键在于如何分组，见下面的命令：

grunt> b = GROUP a by value; 

对a分组，分组依据为value值，这样重复的值就归到一组了，可以用dump b;看下结果：

剩下的事情就好办了，把b的第一列取出来即可

grunt> c = FOREACH b GENERATE group;

处理完成，用dump c;查看结果

当然，对本例而言，还有一种更简单的去重方法：
grunt> b = DISTINCT a;

f) WordCount

已经有人研究过了，就直接拿来用吧，见：http://blog.itpub.net/26495863/viewspace-1348121/

grunt> a = LOAD '/input/immortals.txt' as (line:chararray); //加载输入文件，并按行分隔

grunt> words = FOREACH a GENERATE flatten(TOKENIZE(line)) as w; //将每行分割成单词

grunt> g = GROUP words by w; //按单词分组

grunt> wordcount = FOREACH g GENERATE group,COUNT(words);  //单词记数

输出结果 dump wordcount;

(I,4)

(Of,1)

(am,1)

(be,3)

(do,2)

(in,1)

(it,1)

(of,1)

(to,1)

(we,3)

(But,1)

(all,1)

(are,2)

(bad,1)

(but,1)

(dog,1)

(not,1)

(say,1)

(the,4)

(way,1)

(They,1)

(best,1)

(have,1)

(what,1)

(will,2)

(your,1)

(fever,1)

(flame,1)

(guard,1)

(dreams,1)

(eternal,1)

(watcher,1)

(behavior,1)

g) wordcount2(带词频倒排序)

在刚才的示例上修改一下：
a = LOAD '/input/immortals.txt' as (line:chararray);
words = FOREACH a GENERATE flatten(TOKENIZE(line)) as w;
g = GROUP words by w;
前面这几行都不用改
wordcount = FOREACH g GENERATE group,COUNT(words) as count;//给单词数所在列加一个别名count
r = foreach wordcount generate count,group;//将结果列交换，将变成{count，word}这种结构

(4,I)

(1,Of)

(1,am)

(3,be)

(2,do)

(1,in)

(1,it)

(1,of)

(1,to)

(3,we)

(1,But)

(1,all)

(2,are)

(1,bad)

(1,but)

(1,dog)

(1,not)

(1,say)

(4,the)

(1,way)

(1,They)

(1,best)

(1,have)

(1,what)

(2,will)

(1,your)

(1,fever)

(1,flame)

(1,guard)

(1,dreams)

(1,eternal)

(1,watcher)

(1,behavior)

g2 = group r by count;//按count分组

(1,{(1,behavior),(1,watcher),(1,eternal),(1,dreams),(1,guard),(1,flame),(1,fever),(1,your),(1,what),(1,have),(1,best),(1,They),(1,way),(1,say),(1,not),(1,dog),(1,but),(1,bad),(1,all),(1,But),(1,to),(1,of),(1,it),(1,in),(1,am),(1,Of)})

(2,{(2,will),(2,are),(2,do)})

(3,{(3,we),(3,be)})

(4,{(4,I),(4,the)})

x = foreach g2 generate group,r.group;//去掉无用的列

(1,{(behavior),(watcher),(eternal),(dreams),(guard),(flame),(fever),(your),(what),(have),(best),(They),(way),(say),(not),(dog),(but),(bad),(all),(But),(to),(of),(it),(in),(am),(Of)})

(2,{(will),(are),(do)})

(3,{(we),(be)})

(4,{(I),(the)})

y = order x by group desc;//按count倒排

(4,{(I),(the)})

(3,{(we),(be)})

(2,{(will),(are),(do)})

(1,{(behavior),(watcher),(eternal),(dreams),(guard),(flame),(fever),(your),(what),(have),(best),(They),(way),(say),(not),(dog),(but),(bad),(all),(But),(to),(of),(it),(in),(am),(Of)})