Apache Pig入门学习文档（一）

1，Pig的安装 （一）软件要求 （二）下载Pig （三）编译Pig 2，运行Pig （一）Pig的所有执行模式 （二）pig的交互式模式 （三）使用pig脚本执行模式 3，Pig Latin语句的声明 （一）加载数据 （二）使用和处理数据 （三）存储中间数据 （四）存储最终数据 （五）调试Pig Latin语言 4，Pig的属性值管理 5，Pig一些注意事项 1，Pig的安装 （一）软件安装 必须配置： （1）hadoop 下载地址： http://hadoop.apache.org/common/releases.html 可以同时运行不同版本的Pig只要设置相对应的HADOOP_HOME即可,如果你没有设置HADOOP_HOME，pig默认将会运行嵌入式的版本hadoop（1.0.0） （2）Java1.6+ 下载地址： http://java.sun.com/javase/downloads/index.jsp 需要安装JDK，并设置JAVA_HOME 可选配置： python2.5 （如果使用python写UDF时，需要安装） JavaScript1.7 （如果使用JavaScript写UDF时，需要安装） JRuby1.6.7 （如果使用JRuby写UDF时，需要安装） Groovy1.8.6 （如果使用Groovy写UDF时，需要安装 ） Ant1.7 （如果需要编译构建，则需要下载安装，搞JAV的，建议安装） Junit4.5 （如果需要单元测试，则需要安装） （二）下载Pig 注意以下几点: 1，下载最近的而且是稳定版本的Apache Pig 2，然后解压下载Pig，注意下面二点： pig的主脚本文件，pig位于bin目录（/pig.n.n.n/bin/pig）,这里面包括了pig的环境变量的定义 pig的属性文件，pig.properties位于conf目录（/pig.n.n.n/conf/pig.properties）你也可以通过PIG_CONF_DIR环境变量来指定改文件的绝对路径。 3，配置pig的环境变量，如下面的代码： $ export PATH=/<my-path-to-pig>/pig-n.n.n/bin:$PATH 4，测试pig安装时否成功，使用pig -help命令 （三）：编译Pig 1，从svn导入pig的源代码 svn co http://svn.apache.org/repos/asf/pig/trunk 2，进入pig的根目录下，执行ant命令，编译pig 3，校验pig.jar，运行一个单元测试ant test 2，运行Pig 在pig里面，可以使用多种不同的模式运行它： 序号 模式名 是否支持本地模式 Hadoop集群模式 1 交互式模式 支持 支持 2 批处理模式 支持 支持 （一）执行模式： pig有两种运行模式或者运行类型： 本地模式：运行本地模式非常简单，你只需要一台机器即可，所有的文件和脚本都在本地磁盘上，指定模式使用命令 pig -x flag (例如： pig -x local)，本地模式下不支持MapReduce的（线程）并行，因为在当前的hadoop版本中，hadoop的LocalJobRunner 运行器不是一个线程安全的类。 hadoop集群模式：hadoop集群模式也称Map Reduce模式，前提是你的机器上已经安装好了hadoop的集群，并能正常运行，集群模式是pig默认的模式，在没有任何声明或指定的情况下，总是会以集群的模式运行pig作业，当然你可以使用命令pig 或者 pig -x mapreduce来指定运行模式 例子： 以pig命令方式启动： （1）：pig -x local （local模式） （2）pig -x mapreduce （集群模式） 以java命令启动模式： （1），java -cp pig.jar org.opache.pig.Main -x local （local模式） （2），java -cp pig.jar org.opache.pig.Main -x mapreduce （集群模式） （二）交互式模式： 我们可以使用pig在一个交互式的模式下通过使用grunt shell，调用grunt shell，只需要执行pig命令即可，然后我们就会在命令行，操作pig，例子如下： grunt> A = load 'passwd' using PigStorage(':'); grunt> B = foreach A generate $0 as id; grunt> dump B; （三）脚本模式 我们可以把pig的一系列处理，封装成一个pig脚本文件，后缀名以.pig结尾,相信在linux下写过shell脚本的朋友都很好理解，我们把我们的linux命令封装在.sh的脚本里，这样执行起来非常方便，而且容易管理。 假如我们现在有一个test.pig的脚本，那么我们怎么执行呢？ （1）以local模式运行： pig -x local id.pig （2）以集群模式运行： pig -x mapreduce.pig 使用Pig脚本文件的好处：　 我们可以将pig语法声明和pig命令封装在当个pig的脚本文件里，而且以后缀名.pig结尾，非常有利于我们区分这些脚本 我们可以在命令行和grunt shell里面，使用run或exec命令，来运行pig，这里散仙就不举例子了，后面会写文章。 pig脚本也支持外部传参数，这和shell脚本的传参类似，非常灵活，后面文章会写。 pig的注释： （1）多行注释：/*pig脚本语句*/ （2）当行注释：- - pig脚本语句 两个 注意： Pig支持直接运行在HDFS上，Amazon S3，或者其他的一些分布式系统上的脚本或一个jar包，如果是在分布式的系统上，我们在运行时，需要指定网络的url路径，例如： $ pig hdfs://nn.mydomain.com:9020/myscripts/script.pig 3，Pig Latin的语句声明： 在pig中，pig latin是使用pig来处理数据的基本语法，这类似于我们在数据库系统中使用SQL语句一样。 我们使用pig latin语句，获取一个输入，然后经过一系列处理之后，会得到一个输出，所以在所有的pig脚本中，只有load（读数据）和store（写数据）两个语句是必不可少的。 除此之外，Pig的语法块可能还会包括，一些表达式和schema，Pig latin可以跨多行命令组成一个span，必须在小括号的模式中，而且以必须以分号结束。 ( ; ) Pig latin语句，通常组织如下： （一）一个load声明从文件系统上加载数据 （二）一系列的的转化语句去处理数据 （三）一个dump语句，来展示结果或者stroe语句来存储结果 只有Dump和Store语句能产生输出 （一）加载数据： 使用load操作和（load/store）函数读数据进入Pig（默认的存储模式是PigStorage） （二）使用和处理数据 Pig允许你使用多种方式处理数据，如果我们是刚入门的朋友，熟悉下面的这些操作符，将会有助于我们使用和理解Pig。 使用filter语句来过滤tuple或一行数据（类似于SQL中的where） 使用foreach语句来操作列的数据（类似于 select field1,filed 2 , .... from table里面限制列返回。） 使用group语句来分组. （类似SQL里面的group by） 使用cogroup， inner join，outer join来分组或关联两个以上的表关联（与SQL里的join类似）  使用union语句来合并两个以上关系的结果数据，使用split语句可以把一个表拆分为多个分散的小表（注意，散仙在这里说表，只是为了方便理解，在pig没有表这一个概念，虽然有类似的结构） （三）存储中间结果集 pig生成的中间结果集，会存储在HDFS一个临时的位置，这个位置必须已经在HDFS中存在，这个位置可以被配置使用pig.temp.dir这个属性，默认是存储在/tmp目录，在0.7以前的版本，这个值是固定的，0.7以后，我们可以灵活的更改路径，通过配置 （四）存储最终结果集 使用store操作和load/store函数，可以将结果集写入文件系统中，默认的存储格式是PigStorage，在我们测试阶段，我们可以使用dump命令，直接将结果显示在我们的屏幕上，方便我们调试，在一个生产环境中，我们一般使用store语句，来永久存储我们的结果集。 （五）调试Pig Latin pig提供了一写操作符，来帮助我们调试我们的结果：  使用dump语句，显示结果在我们的终端屏幕上  使用describe语句，来显示我们的schema的关系（类似查看表的结构）  使用explain语句，来显示我们的执行逻辑或物理视图，可以帮助我们查看map，reduce的执行计划  使用illustrate语句，可以一步步的查看我们的语句执行步骤 此外，pig还定义了一些非常方面的别名集，来快速帮助我们调试脚本：  dump的别名 \d  describe的别名 \de  explain的别名 \e  illustrate的别名 \i  退出\q 4，Pig的属性值 Pig支持java中的properties文件，我们可以通过使用这个文件来定制pig的行为，我们可以使用help命令，来查看所有的pig的属性值 如何指定一个pig的值？  通过pig.properties文件，注意需要把这个文件包含在java的classpath中  -D 命令在命令行指定一个pig属性 例如：pig -Dpig.tmpfilecompression=true  -P命令可以指定自己的一个properties文件。 例如：pig -P mypig.properties  set命令，例如：set pig.exec.nocombiner true 注意：properties文件，使用标准的Java的properties文件格式 地方他们的优先级如下： pig.properties < -D Pig property < -P properties file < set comman 指定hadoop的文件配置属性与Pig是一样的。 Hadoop和pig的所有属性值，最后都会在pig里统一收集起来，它是有效的对于任何UDF 例如UDFContext对象，为了访问这些属性，我们可以调用getJobConf方法 4，Pig一些注意事项 1. 确保你的JDK安装完毕 2. 确保的你的pig的bin目录执行脚本环境变量已经安装 export PATH=/<my-path-to-pig>/pig-0.9.0/bin:$PATH 3. 确保你的PIG_HOME环境变量是有效的 export PIG_HOME=/<my-path-to-pig>/pig-0.9.0 4. 配置ant脚本，编译pig的文档 5. 配置PIG_CLASSPATH,指定集群所需的所有的配置文件，包括hadoop的core-site.xml,hdfs-site.xml和mapred-site.xml 6. 掌握pig的一些基本UDF函数  ExtractHour,提取小时从每行数据中  NGramGenerator，生成n-garms的words  NonURLDetector，移除一个空的列，或者值是url的数据  ScoreGenerator，计算n-garm的分数  ToLower，转小写  TutorialUtil，分割查询字符串组成一个words 上面的这些UDF是一些比较典型的例子，散仙建议初学者可以先看一看，看不懂也无所谓，UDF使用的几率也不是特别大，最重要的还是基础语法的使用，关于配置环境的安装，如果你用的是原生的Apache Hadoop，则按照上面的步骤来，是非常有效的，因为这个文档，就是参照apache官方的文档翻译的，英文好的，可以直接点击这个链接http://pig.apache.org/docs/r0.12.0/start.html，如果是其他的版本的hadoop，比如CDH或者HDP,你可能使用CM（Cloudera Manager）或者AM（Ambari）来安装，这样就省去自己安装的过程，你可以直接使用Pig来处理数据了，不过，初学者还是建议自己动手折腾一下，后期熟练了，可以用些管理工具，来自动安装，这样能学的更深入些，看完后，有问题的欢迎指正，或者到群公众号留言。