Pig安装讲解

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. 求每个部门最大值

                        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;