Pig系列之二：Pig的安装和配置

Pig 的安装和配置

1 P ig 的安装条件

•   Hadoop 0.20.2

Pig 有两种运行模式： Local 模式和 MapReduce 模式。如果需要让作业在分布式环境下运行，则需要安装 Hadoop ，否则用户可以选择不安装。另外，当前 Hadoop 最新的版本为 0.20.2 ，当然用户也可以选择安装其它版本，不过这里建议安装最新的 Hadoop 版本。因为新的版本修正了以前版本中的一些错误，并且添加了新的特性 [1] 。

• Java 1.6

建议安装 Java 1.6 以上的版本。 Java 环境对于 Pig 来说是必须的（推荐从 SUN 官方网站上下载）。

当下载安装完毕 Java 后，我们还需要对 Java 环境变量进行设置，将 JAVA_HOME 指向 Java 的安装位置。

如果用户使用的是 Linux 操作系统，那么以上条件就足够了。但是，如果用户使用的是 Windows 操作系统，那么除此之外，用户还需要安装 Cygwin 和 Perl 包。本章后面的案例将以 Linux 操作系统为例进行讲解。

2 P ig 的下载、安装 和配置

当前 Pig 最新版本为 0.7.0 ，除此之外， Pig 还有 0.6.0 以及 0.5.0 两个版本，用户可以根据需要从 Apache 官方网站上下载相应的版本。本书使用最新版的 Pig 0.7.0 ，安装包下载地址如下：

http://www.apache.org/dyn/closer.cgi/hadoop/pig

Pig 的安装包下载完成后，需要使用 tar –xvf pig-*.*.*.tar.gz 命令将其解压。我们可以将 Pig 放在系统中的任意位置，并且只需要配置相应的环境变量就可以对 Pig 进行使用。我们建议将 Pig 放在 Hadoop 目录下，方便以后的操作。

解压完成后，需要设置 Pig 相应的环境变量，环境变量有多种设置方法，用户可以根据自己的需要进行选择。这里我们选择对 profile 文件进行修改，来设置 Pig 相应的环境变量。打开“ /etc/profile ”文件，插入下面的一条语句，保存关闭文件后需要重启系统以使环境变量设置生效。

export PATH=/<my-path-to-pig>/pig-n.n.n/bin:$PATH

当环境变量设置生效后，我们可以通过“ $pig –help ”命令来查看 Pig 是否安装成功。当 Pig 安装成功后会出现如下图 的提示。

 

$Pig – help

3 P ig 运行模式

Pig 有两种运行模式： Local 模式和 MapReduce 模式。当 Pig 在 Local 模式运行的时候， Pig 将只访问本地一台主机；当 Pig 在 MapReduce 模式运行的时候， Pig 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。因为 Pig 系统可以自动地对 MapReduce 程序进行优化，所以当用户使用 Pig Latin 语言进行编程的时候，不必关心程序运行的效率， Pig 系统将会自动地对程序进行优化。这样能够大量节省用户编程的时间。

下面我们首先介绍 Pig 在 Local 模式下的运行方式。 Pig 的 Local 模式适合用户对测试程序进行调试使用，因为 Local 模式下 Pig 将只访问本地一台主机，它可以在短时间内处理少量的数据，并且用户不必关心 Hadoop 系统对整个集群的控制，这样既能让用户使用 Pig 的功能又不至于在对集群的管理上花费太多时间。

Pig 的 Local 模式和 MapReduce 模式都有三种运行方式，分别为： Grunt Shell 方式、脚本文件方式和嵌入式程序方式。下面我们将对其进行一一介绍。

 

• Local 模式

 

（ 1 ） Grunt Shell 方式

用户使用 Grunt Shell 方式时，需要首先使用命令开启 Pig 的 Grunt Shell ，只需在 Linux 终端中输入如下命令并执行即可：

$pig –x local

这样 Pig 将进入 Grunt Shell 的 Local 模式，如果直接输入“ $pig ”命令， Pig 将首先检测 Pig 的环境变量设置，然后进入相应的模式。如果没有设置 MapReduce 环境变量， Pig 将直接进入 Local 模式。下图 为开启 Grunt Shell 的结果。

Local 模式下开启 Grunt Shell

Grunt Shell 和 Windows 中的 Dos 窗口非常类似，这里用户可以一条一条地输入命令对数据进行操作。

（ 2 ） 脚本文件方式

使用脚本文件作为批处理作业来运行 Pig 命令，它实际上就是第一种运行方式中命令的集合，使用如下命令可以在本地模式下运行 Pig 脚本：

$pig –x local script.pig

       其中，“ script.pig ”是对应的 Pig 脚本，用户在这里需要正确指定 Pig 脚本的位置，否则，系统将不能识别。例如， Pig 脚本放在“ /root/pigTmp ”目录下，那么这里就要写成“ /root/pigTmp/script.pig ”。用户在使用的时候需要注意 Pig 给出的一些提示，充分利用这些能够帮助用户更好地使用 Pig 进行相关的操作 。

（ 3 ） 嵌入式程序方式

我们可以把 Pig 命令嵌入到主机语言中，并且运行这个嵌入式程序。和运行普通的 Java 程序相同，这里需要书写特定的 Java 程序，并且将其编译生成对应的 class 文件或 package 包，然后再调用 main 函数运行程序。

用户可以使用下面的命令对 Java 源文件进行编译：

$javac -cp pig-*.*.*-core.jar local.java

这里“ pig-*.*.*-core.jar ”放在 Pig 安装目录下，“ local.java ”为用户编写的 java 源文件，并且“ pig-*.*.*-core.jar ”和“ local.java ”需要用户正确地指定相应的位置。例如，我们的“ pig-*.*.*-core.jar ”文件放在“ /root/hadoop-0.20.2/ ”目录下，“ local.java ”文件放在“ /root/pigTmp ”目录下，所以这一条命令我们应该写成：

$javac -cp /root/hadoop-0.20.2/ pig- 0 . 20 . 2 -core.jar /root/pigTmp/ local.java

当编译完成后， Java 会生成“ local.class ”文件，然后用户可以通过如下命令调用执行此文件。

$ java -cp pig-*.*.*-core.jar:. local

•   MapReduce 模式

 

Pig 需要把真正的查询转换成相应的 MapReduce 作业，并提交到 Hadoop 集群去运行（集群可以是真实的分布，也可以是伪分布）。要想 Pig 能识别 Hadoop ，用户需要告诉 Pig 关于 Hadoop 的版本及一些关键的信息（也就是 NameNode 和 JobTracker 的位置以及端口信息）。

下面第一步首先指明 Pig 要连接的 Hadoop 的版本信息，第二步详细指明 Pig 连接 Hadoop 的配置信息。

（ 1 ）允许 Pig 连接到任何的 Hadoop.0.20.* 版本

配置 Linux 系统环境变量，在“ /etc/profile ”文件中加入如下信息：

export PIG_HADOOP_VERSION=20

（ 2 ） 指明集群的 NameNode 和 JobTracker 的位置。有以下两种方法让 Pig 识别 Hadoop 的 NameNode 和 JobTracker ，采用任何一种方式均可。

方法一：

把自己的 Hadoop 的 Conf 地址添加到 Pig 的 Classpath 上：

    export PIG_CLASSPATH=$HADOOP_INSTALL/conf/

方法二：

在 pig 目录的 Conf 文件夹（可能需要自己创建）里创建一个 pig.properties 文件，然后在里面添加集群的 Namenode 和 Jobtracker 信息，第二行中的 port 是用户 Hadoop 中 JobTracker 对应的端口：

fs.default.name=hdfs://localhost/

mapred.job.tracker=localhost:port

当设置完毕并且生效之后，用户可以输入“ $pig –x mapreduce ”命令进行测试，如果能够看到 Pig 连接 Hadoop 的 NameNode 和 JobTrakcer 的相关信息，则表明配置成功，然后用户就可以随心所欲地使用 MapReduce 模式来进行相关的 Pig 操作了。

下图 为 MapReduce 配置成功后的提示信息，从图中可以看到 Pig 连接 Hadoop 的详细信息。

MapReduce 配置成功提示信息

配置成功之后，下面我们将针对 Pig 的 MapReduce 模式，说明如何在此模式下对 Grunt Shell 方式、脚本文件方式和嵌入式程序方式进行操作。它们和 Local 模式下的操作几乎相同，只不过需要将相应的参数指明为 MapReduce 模式即可。

1 ） Grunt Shell 方式

用户在 Linux 终端下输入如下命令进入 Grunt Shell 的 MapReduce 模式：

$pig –x mapreduce

2 ） 脚本文件方式

用户可以使用如下命令在 MapReduce 模式下运行 Pig 脚本文件。

$pig –x mapreduce script.pig

3 ） 嵌入式程序

和 Local 模式相同，在 MapReduce 模式下运行嵌入式程序同样需要经过编译和执行两个步骤。用户可以使用如下两条命令，完成相应的操作。

javac -cp pig-0.7.0-core.jar mapreduce.java

java -cp pig-0.7.0-core.jar:. mapreduce

至此， Pig 系统的两个运行模式及其分别对应的三个运行方式就讲述完毕了， 之后 我们将结合实例，对其做更深入的介绍，这里希望用户能够对 Pig 系统的运行模式有一个初步的印象。