Hadoop入門進階課程7--Pig介紹、安裝與應用案例

本文轉載自查看原文 2015-07-16 08:48 2076 30.Hadoop入門進階課程

本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接，博主為石山園，博客地址為 http://www.cnblogs.com/shishanyuan 。該系列課程是應邀實驗樓整理編寫的，這里需要贊一下實驗樓提供了學習的新方式，可以邊看博客邊上機實驗，課程地址為 https://www.shiyanlou.com/courses/237

【注】該系列所使用到安裝包、測試數據和代碼均可在百度網盤下載，具體地址為 http://pan.baidu.com/s/10PnDs，下載該PDF文件

1、搭建環境

部署節點操作系統為CentOS，防火牆和SElinux禁用，創建了一個shiyanlou用戶並在系統根目錄下創建/app目錄，用於存放Hadoop等組件運行包。因為該目錄用於安裝hadoop等組件程序，用戶對shiyanlou必須賦予rwx權限（一般做法是root用戶在根目錄下創建/app目錄，並修改該目錄擁有者為shiyanlou(chown –R shiyanlou:shiyanlou /app）。

Hadoop搭建環境：

l 虛擬機操作系統： CentOS6.6 64位，單核，1G內存

l JDK：1.7.0_55 64位

l Hadoop：1.1.2

2、Pig介紹

Pig是yahoo捐獻給apache的一個項目，使用SQL-like語言，是在MapReduce上構建的一種高級查詢語言，把一些運算編譯進MapReduce模型的Map和Reduce中。Pig 有兩種運行模式： Local 模式和 MapReduce 模式

l 本地模式：Pig運行於本地模式，只涉及到單獨的一台計算機

l MapReduce模式：Pig運行於MapReduce模式，需要能訪問一個Hadoop集群，並且需要裝上HDFS

Pig的調用方式：

l Grunt shell方式：通過交互的方式，輸入命令執行任務；

l Pig script方式：通過script腳本的方式來運行任務；

嵌入式方式：嵌入java源代碼中，通過java調用來運行任務。

3、搭建Pig環境

3.1 下載並解壓安裝包

在Apache下載最新的Pig軟件包，點擊下載會推薦最快的鏡像站點，以下為下載地址：http://mirror.bit.edu.cn/apache/pig/

也可以在/home/shiyanlou/install-pack目錄中找到該安裝包，解壓該安裝包並把該安裝包復制到/app目錄中

cd /home/shiyanlou/install-pack

tar -xzf pig-0.13.0.tar.gz

mv pig-0.13.0 /app

3.2 設置環境變量

使用如下命令編輯/etc/profile文件：

sudo vi /etc/profile

設置pig的class路徑和在path加入pig的路徑，其中PIG_CLASSPATH參數是設置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

編譯配置文件/etc/profile，並確認生效

source /etc/profile

echo $PATH

3.3 驗證安裝完成

重新登錄終端，確保hadoop集群啟動，鍵入pig命令，應該能看到pig連接到hadoop集群的信息並且進入了grunt shell命令行模式：

4、測試例子

4.1 測試例子內容

在/home/shiyanlou/install-pack/class7中有website_log.zip測試數據文件，該文件是某網站訪問日志，請大家使用pig計算出每個ip的點擊次數，例如 123.24.56.57 13 24.53.23.123 7 34.56.78.120 20 .... 等等

4.2 程序代碼

 1 //加載HDFS中訪問日志，使用空格進行分割，只加載ip列
 2 records = LOAD 'hdfs://hadoop:9000/class7/input/website_log.txt' USING PigStorage(' ') AS (ip:chararray);
 3 
 4 // 按照ip進行分組，統計每個ip點擊數
 5 records_b = GROUP records BY ip;
 6 records_c = FOREACH records_b GENERATE group,COUNT(records) AS click;
 7 
 8 // 按照點擊數排序，保留點擊數前10個的ip數據
 9 records_d = ORDER records_c by click DESC;
10 top10 = LIMIT records_d 10;
11 
12 // 把生成的數據保存到HDFS的class7目錄中
13 STORE top10 INTO 'hdfs://hadoop:9000/class7/out';