项目四 pig预处理北京公交线路

原创

码农GT038527

发布于 2024-09-23 13:40:18

1460

文章被收录于专栏：人邮电数据采集与预处理人邮电数据采集与预处理

上传文件到指定目录

将爬虫获取到的csv文件使用sudo rz -E命令上传至/opt/module/pig/data目录

将文件上传至hdfs

hadoop fs -mkdir /pig
hadoop fs -chmod -R 777 /pig
hadoop fs -put /opt/module/pig/data/Processed_Beijing_Bus_Info.csv /pig

web端查看是否上传成功

或直接使用hadoop fs -ls /pig命令查看

在pig中预处理数据

启动 pig -x mapreduce

数据预处理

# 注册 piggybank.jar 库，以便使用其自定义函数
REGISTER '/opt/module/pig/lib/piggybank.jar';

# 加载北京公交信息的 CSV 文件，并指定字段及其类型
bus_info = LOAD '/pig/Processed_Beijing_Bus_Info.csv' USING PigStorage(',') AS (
    bus_name:chararray,    
    bus_type:chararray,    
    bus_time:chararray,   
    tieck:chararray,       
    licheng:chararray,     
    gongsi:chararray,      
    gengxin:chararray,   
    wang_info:chararray,  
    wang_buff:chararray,   
    fan_info:chararray,    
    fan_buff:chararray      
);

# 输出加载的数据以供检查
DUMP bus_info;

# 通过 DISTINCT 操作去重数据
distinct_data = DISTINCT bus_info;

# 输出去重后的数据以供检查
DUMP distinct_data;

# 过滤掉包含空值的记录
filter_data = FILTER distinct_data BY 
    bus_name != '' AND
    bus_type != '' AND
    bus_time != '' AND
    tieck != '' AND
    licheng != '' AND
    gongsi != '' AND
    gengxin != '' AND
    wang_info != '' AND
    wang_buff != '' AND
    fan_info != '' AND
    fan_buff != '';

# 输出过滤后的数据
DUMP filter_data;

# 将过滤后的数据存储到 HDFS 指定路径
# 使用 PigStorage(',') 以逗号为分隔符存储数据
STORE filter_data INTO 'hdfs://master:8020/pig_output' USING PigStorage(',');