码迷,mamicode.com
首页 > 其他好文 > 详细

Alex 的 Hadoop 菜鸟教程: 第16课 Pig 安装使用教程

时间:2015-02-09 20:21:09      阅读:172      评论:0      收藏:0      [点我收藏+]

标签:pig   hadoop   

声明

  • 本文基于Centos 6.x + CDH 5.x

Pig 有什么用

hdfs虽说是一个文件空间,但是我们每次要查看hdfs上的文件的时候都要输入一大串命令,比如一个简单的ls都需要输入 : hdfs dfs -ls / ,而且还不能cd到某个目录,这样就造成了每次ls都要带上全路径的麻烦,能不能有一个工具可以模拟linux下的shell呢?Pig就实现了这样的需求,可以直接ls,可以cd到某个目录,比如这样
grunt> ls
hdfs://mycluster/user/root/.staging	<dir>
hdfs://mycluster/user/root/employee	<dir>
hdfs://mycluster/user/root/people	<dir>
grunt> cd ..
grunt> ls
hdfs://mycluster/user/cloudera	<dir>
hdfs://mycluster/user/history	<dir>
hdfs://mycluster/user/hive	<dir>
hdfs://mycluster/user/root	<dir>
hdfs://mycluster/user/test3	<dir>
hdfs://mycluster/user/test_hive	<dir>

就像操作linux shell 一样的操作 hdfs 空间

并且Pig还创造了 Pig Latin语言,可以通过Pig写一个类似存储过程的MapReduce的Job,pig会自动帮你把这个job翻译成MapReduce去执行,大家就不用自己写原始的java代码了。

安装Pig

选择host1 用yum安装pig
yum install pig

设置环境变量

如果你用的是 YARN 那么设置HADOOP_MAPRED_HOME=/usr/lib/hadoop-mapreduce   (如果是MRv1 就是 /usr/lib/hadoop-0.20-mapreduce)
编辑 /etc/profile 在最后一行加上
export HADOOP_MAPRED_HOME=/usr/lib/hadoop-mapreduce

然后运行 source 让设置生效
[root@host1 impala]# source /etc/profile
[root@host1 impala]# echo $HADOOP_MAPRED_HOME
/usr/lib/hadoop-mapreduce


启动交互模式的Pig

$ pig

看到一堆日志最后出现
, use fs.defaultFS
2015-02-02 08:29:03,302 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS
grunt> 
试着运行ls命令可以看到当前用户目录下的文件
grunt> ls
hdfs://mycluster/user/root/.staging	<dir>
hdfs://mycluster/user/root/employee	<dir>
hdfs://mycluster/user/root/people	<dir>
还可以cd 到上一级,再ls
grunt> cd ..
grunt> ls
hdfs://mycluster/user/cloudera	<dir>
hdfs://mycluster/user/history	<dir>
hdfs://mycluster/user/hive	<dir>
hdfs://mycluster/user/root	<dir>
hdfs://mycluster/user/test3	<dir>
hdfs://mycluster/user/test_hive	<dir>
怎么样?是不是比直接输入 hdfs dfs -ls / 这一大串命令爽多了?

Latin语言

Pig创造了一个Latin语言,使用Latin语言可以编写脚本。这边不具体说明Latin语言的语法,仅用一个例子让大家对Latin语言长什么样,能干什么事情有一个直观的理解
  • 用Latin语言可以写出MapReduce的Job, Pig会帮你把你写的Latin转化为MapReduce任务而不用去写具体的代码
  • Latin原因是大小写敏感的
  • Latin的命令最好用大写字母书写
这边举一个例子:
通过Pig将一段日志中所有的WARN信息都打印出来

Step1

创建一个文本 /root/logs 内容是 
(Dec 10 01:22:11 NetworkManager: <INFO> hello world [start]
(Dec 10 03:56:43 NetworkManager: <WARN> Oops! There is an error!
(Dec 10 04:10:18 NetworkManager: <WARN> Please check the database ...
(Dec 10 05:22:11 NetworkManager: <INFO> hello world [end]

Step2

将这个文本上传到hdfs的/user/pig/  目录下
使用 pig 命令进入交互模式的pig,然后执行
grunt > cd hdfs://mycluster/
grunt > cd user
grunt > mkdir pig
grunt > cd pig
grunt > copyFromLocal /root/logs logs


最后那句相当于hdfs的
hdfs dfs -put /root/logs /user/pig

Step3

使用 pig 命令进入交互模式的pig,然后执行以下命令
grunt> messages = LOAD '/user/pig/logs';
grunt> warns = FILTER messages BY $0 MATCHES '.*WARN+.*';
grunt> DUMP warns;

执行结果
((Dec 10 03:56:43 NetworkManager: <WARN> Oops! There is an error!)
((Dec 10 04:10:18 NetworkManager: <WARN> Please check the database ...)

解释


第一句话
messages = LOAD '/user/pig/logs';
  • 定义了一个关系叫 message ,你可以把Pig中的关系看成是一种变量
  • message之后跟等号之间的空格不可以省略,包括等号后的空格也不可以省略,否则出错
  • LOAD 意思是加载内容,后面的地址是hdfs的地址
  • 整句话的意思是加载 /user/pig/logs 中的内容到 message 中
第二句话
warns = FILTER messages BY $0 MATCHES '.*WARN+.*';
  • FILTER ... BY ... 意思是根据... 来过滤某个关系,这句话中就是一个根据 BY 后面的条件来过滤message
  • $0 代表每一行的第一个元素,当有集合出现的时候 $0 代表第一个元素,$1代表第二个元素,以此类推,当只有一串字符串的时候 $0 就代表正行字符串
  • MATCHES 表示用正则来匹配,这句话中用 .*WARN+.* 来匹配含有WARN信息的日志
  • 将匹配的结果赋给warns
第三句话
DUMP warns;
  • pig脚本总是以DUMP命令结尾,DUMP代表执行前面所定义的MapReduce任务,并输出结果
  • DUMP命令回车后才真正开始执行MapReduce过程
由此可以看出一个需要很多java代码的MapReduce任务被简化成了三句话,如此的简洁。
Latin语言还有很多更强大的功能,比如对矩阵的计算和定义接口等,具体见 Pig Latin 语言手册  墙裂建议大家不要看中文的资料,就算用词典慢慢看也好,至少英文官方文档不会误导你,看多少就算多少

跟Hbase交互

Pig还可以跟Hbase交互。一般通过 pig 能干的事情大概就是 导入hbase,导出hbase,或者将hbase的某个表复制成另一个表等。
以下通过一个例子讲解下如何使用Pig将本地数据加载到Hbase的某个表中

Step1

建立一个文本文件customers 内容是 
4000001,Kristina,Chung,55,Pilot
4000002,Paige,Chen,74,Teacher
4000003,Sherri,Melton,34,Firefighter
4000004,Gretchen,Hill,66,Computer hardware engineer
4000005,Karen,Puckett,74,Lawyer
4000006,Patrick,Song,42,Veterinarian
4000007,Elsie,Hamilton,43,Pilot
4000008,Hazel,Bender,63,Carpenter

上传到hdfs的 /user/pig 目录下
grunt > cd /user/pig
grunt > copyFromLocal /root/customers ./customers


Step2

建立要导入的Hbase表
hbase(main):001:0> create 'customers', 'customers_data'

Step3

创建一个pig脚本文件 Load_HBase_Customers.pig
raw_data = LOAD 'hdfs:/user/pig/customers' USING PigStorage(',') AS (
           custno:chararray,
           firstname:chararray,
           lastname:chararray,
           age:int,
           profession:chararray
);

STORE raw_data INTO 'hbase://customers' USING org.apache.pig.backend.hadoop.hbase.HBaseStorage(
'customers_data:firstname 
 customers_data:lastname 
 customers_data:age 
 customers_data:profession'
);

在这个例子中第一个列custno会被作为hbase 的 rowkey

Step4

运行这段脚本
$ PIG_CLASSPATH=/usr/lib/hbase/hbase-client-0.98.6-cdh5.2.1.jar:/usr/lib/zookeeper/zookeeper-3.4.5-cdh5.3.0.jar /usr/bin/pig /root/Load_HBase_Customers.pig
这里的jar包根据你们的实际情况改变

Step5

检查一下hbase表内的数据
hbase(main):001:0> scan 'customers'

跟Hive交互

pig可以通过Hive的HCatalog组件跟Hive进行交互。

HCatalog是什么

一个新的Apache项目(HCatalog)扩展了Hive的元存储,同时保留了Hive DDL中用于表定义的组件。其结果是,Hive的表抽象(当使用了HCatalog时)可以用于Pig和MapReduce应用程序,这带来了以下一些主要优势:

它使得数据消费者不必知道其数据存储的位置和方式。HCatalog依赖于Hive 的 metastore服务,所以其他服务比如Pig可以通过HCatalog访问由Hive metastore定义的那些表。

计算平均工资的例子

Step1

用Hive 建立一个表叫 occupations
hive > CREATE TABLE occupations(code STRING, description STRING,salary INT)  
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\054';

Step2


建立一个文本 occupations.txt 内容是
11-0000,Management occupations,96150
11-1011,Chief executives,151370
11-1021,General and operations managers,103780
11-1031,Legislators,33880
11-2011,Advertising and promotions managers,91100

Step3

将文本 occupations.txt 用Hive 的 LOAD DATA方法加载到表内
hive> LOAD DATA LOCAL INPATH '/root/occupations.txt' INTO TABLE occupations;

Step4

进入交互模式pig,并执行以下语句
occ_data = LOAD 'occupations' USING org.apache.hcatalog.pig.HCatLoader();

salaries = GROUP occ_data ALL;
out = FOREACH salaries GENERATE AVG(occ_data.salary);
DUMP out;

并查看计算出的平均工资结果

其实这一大段就等于是Hive的这句话
SELECT AVG(salary) FROM occupations;
这样看起来pig反而比Hive还麻烦了?其实不是的,我只是用这个例子来说明pig跟hive之间的交互,并没有任何的比较性。

关于Pig就介绍这么多,其他更深入的功能大家可以自己查看pig的文档

参考资料

  • http://archive-primary.cloudera.com/cdh5/cdh/5/pig/basic.html
  • https://cwiki.apache.org/confluence/display/Hive/HCatalog+UsingHCat
  • http://archive-primary.cloudera.com/cdh5/cdh/5/pig/start.html#execution-modes
  • http://www.cloudera.com/content/cloudera/en/documentation/core/v5-2-x/topics/cdh_ig_pig_hbase.html
  • http://princetonits.com/technology/loading-customer-data-into-hbase-using-a-pig-script/
  • http://docs.hortonworks.com/HDPDocuments/HDP1/HDP-1.3.7/bk_user-guide/content/user-guide-hbase-import-2.html
  • http://gethue.com/hadoop-tutorial-how-to-access-hive-in-pig-with/

Alex 的 Hadoop 菜鸟教程: 第16课 Pig 安装使用教程

标签:pig   hadoop   

原文地址:http://blog.csdn.net/nsrainbow/article/details/43426061

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!