pig java api_Pig安装及入门案例

【前言】

相比Java的MapReduce api，Pig为大型数据集的处理提供了更高层次的抽象，与MapReduce相比，Pig提供了更丰富的数据结构，一般都是多值和嵌套的数据结构。Pig还提供了一套更强大的数据变换操作，包括在MapReduce中被忽视的连接Join操作。 Pig 是一种探索大规模数据集的 脚本语言。MapReducer 的一个主要的 缺点 就是开发的 周期太长 了。Pig相比效率更高，而pig的执行实际还是mr的运行。

Pig是基于hadoop的一个数据处理的框架。

MapReduce是使用java进行开发的，Pig有一套自己的数据处理语言，Pig的数据处理过程要转化为MR来运行。

【Pig的安装】

pig是基于hadoop运行的，所以在安装pig之前要确保有hadoop环境并启动运行hadoop；

pig的数据源和输出远均为hdfs

pig的计算运行实际运行的mr

资源包地址：http://pan.baidu.com/s/1o6IDfhK

#解压缩

tar -xzvf pig-0.11.1.tar.gz

#复制重命名

mv pig-0.11.1 /usr/local

mv pig-0.11.1 pig

#home配置

vim /etc/profile

export PIG_HOME = /usr/local/pig

export PATH =......$PIG_HOME/bin....

source /etc/profile

#修改配置文件

vim $PIG_HOME/conf/pig.properties

fs.default.name=hdfs://hadoop:9000 # 是hadoop的 core-site.xml 中的配置

mapred.job.tracker=hadoop:9001 #是hadoop的 mapred-site.xml 中的配置

# 测试

pig -version

pig安装测试.png

【pig案例】计算用户的总通讯流量

源测试数据：tel.txt

1363157985066 13726230503 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200

1363157995052 13826544101 5C-0E-8B-C7-F1-E0:CMCC 120.197.40.4 4 0 264 0 200

1363157991076 13926435656 20-10-7A-28-CC-0A:CMCC 120.196.100.99 2 4 132 1512 200

1363154400022 13926251106 5C-0E-8B-8B-B1-50:CMCC 120.197.40.4 4 0 240 0 200

1363157993044 18211575961 94-71-AC-CD-E6-18:CMCC-EASY 120.196.100.99 iface.qiyi.com 视频网站 15 12 1527 2106 200

1363157995074 84138413 5C-0E-8B-8C-E8-20:7DaysInn 120.197.40.4 122.72.52.12 20 16 4116 1432 200

1363157993055 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200

1363157995033 15920133257 5C-0E-8B-C7-BA-20:CMCC 120.197.40.4 sug.so.360.cn 信息安全 20 20 3156 2936 200

1363157983019 13719199419 68-A1-B7-03-07-B1:CMCC-EASY 120.196.100.82 4 0 240 0 200

1363157984041 13660577991 5C-0E-8B-92-5C-20:CMCC-EASY 120.197.40.4 s19.cnzz.com 站点统计 24 9 6960 690 200

1363157973098 15013685858 5C-0E-8B-C7-F7-90:CMCC 120.197.40.4 rank.ie.sogou.com 搜索引擎 28 27 3659 3538 200

1363157986029 15989002119 E8-99-C4-4E-93-E0:CMCC-EASY 120.196.100.99 www.umeng.com 站点统计 3 3 1938 180 200

1363157992093 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 15 9 918 4938 200

1363157986041 13480253104 5C-0E-8B-C7-FC-80:CMCC-EASY 120.197.40.4 3 3 180 180 200

1363157984040 13602846565 5C-0E-8B-8B-B6-00:CMCC 120.197.40.4 2052.flash2-http.qq.com 综合门户 15 12 1938 2910 200

1363157995093 13922314466 00-FD-07-A2-EC-BA:CMCC 120.196.100.82 img.qfc.cn 12 12 3008 3720 200

1363157982040 13502468823 5C-0A-5B-6A-0B-D4:CMCC-EASY 120.196.100.99 y0.ifengimg.com 综合门户 57 102 7335 110349 200

1363157986072 18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99 input.shouji.sogou.com 搜索引擎 21 18 9531 2412 200

1363157990043 13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200

1363157988072 13760778710 00-FD-07-A4-7B-08:CMCC 120.196.100.82 2 2 120 120 200

1363157985066 13726238888 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200

1363157993055 13560436666 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200

下面用pig对此数据进行业务分析

以下是操作流程

5.对tel.txt数据如何使用pig进行分析处理

5.1 把待处理的数据上传到HDFS中

5.2 把HDFS中的数据转换为pig可以处理的模式

A = LOAD '/wlan' AS (t0:long, msisdn:chararray, t2:chararray, t3:chararray, t4:chararray, t5:chararray, t6:long, t7:long, t8:long, t9:long, t10:chararray);

DUMP A 查看

5.3 把里面的有用的字段抽取出来

B = FOREACH A GENERATE msisdn, t6, t7, t8, t9;

DUMP B 查看

5.4 分组数据

C = GROUP B BY msisdn;

5.5 流量汇总

D = FOREACH C GENERATE group, SUM(B.t6), SUM(B.t7), SUM(B.t8), SUM(B.t9);

5.6 存储到HDFS中

STORE D INTO '/wlan_result';

【1】上传tex.txt到hdfs的/pigData上

hadoop fs -mkdir /pigData

hadoop fs -put /tel.txt /pigData

2017-02-14_102702.png

【2】把HDFS中的数据转换为pig可以处理的模式

A = LOAD '/pigData/tel.txt' AS (t0:long, msisdn:chararray, t2:chararray, t3:chararray, t4:chararray, t5:chararray, t6:long, t7:long, t8:long, t9:long, t10:chararray);

#其中类型要与源数据对应，pig中没有string类型，取代之的是chararray

#查看A

DEMP A

DUMP A 部分数据.png

【3】抽取有用的数据

#只获取有用的列值

#获取A中的msisdn, t6, t7, t8, t9几列赋值给B

B = FOREACH A GENERATE msisdn, t6, t7, t8, t9;

#查看

DUMP B

抽取有用的数据结果.png

【4】分组数据

#将B的数据按照msisdn列分组并赋值给C

C = GROUP B BY msisdn;

#查看

DUMP C

分组后的结果.png

【5】流量汇总

#计算流量综合

D = FOREACH C GENERATE group, SUM(B.t6), SUM(B.t7), SUM(B.t8), SUM(B.t9);

#查看D

DUMP D

汇总结果.png

【6】将计算数据存入hdfs

#将最后的D汇总存入hdfs的/pigData/tel_result目录下

STORE D INTO '/pigData/tel_result';

【7】查看结果

hdfs数据内容.png

【8】WC案例详解图

WC案例详解.png