Pig安裝及入門案例

【前言】
相比Java的MapReduce api，Pig為大型資料集的處理提供了更高層次的抽象，與MapReduce相比，Pig提供了更豐富的資料結構，一般都是多值和巢狀的資料結構。Pig還提供了一套更強大的資料變換操作，包括在MapReduce中被忽視的連線Join操作。 Pig 是一種探索大規模資料集的 指令碼語言。MapReducer 的一個主要的 缺點 就是開發的 週期太長 了。Pig相比效率更高，而pig的執行實際還是mr的執行。

Pig是基於hadoop的一個資料處理的框架。
MapReduce是使用java進行開發的，Pig有一套自己的資料處理語言，Pig的資料處理過程要轉化為MR來執行。

【Pig的安裝】

pig是基於hadoop執行的，所以在安裝pig之前要確保有hadoop環境並啟動執行hadoop；
pig的資料來源和輸出遠均為hdfs
pig的計算執行實際執行的mr

資源包地址：http://pan.baidu.com/s/1o6IDfhK

#解壓縮
tar -xzvf  pig-0.11.1.tar.gz

#複製重新命名
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

#修改配置檔案
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

# 測試
pig -version

【pig案例】計算使用者的總通訊流量
源測試資料：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  視訊網站    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   資訊保安    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    站點統計    24  9   6960    690 200
1363157973098   15013685858 5C-0E-8B-C7-F7-90:CMCC  120.197.40.4    rank.ie.sogou.com   搜尋引擎    28  27  3659    3538    200
1363157986029   15989002119 E8-99-C4-4E-93-E0:CMCC-EASY 120.196.100.99  www.umeng.com   站點統計    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 綜合門戶    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 綜合門戶    57  102 7335    110349  200
1363157986072   18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99  input.shouji.sogou.com  搜尋引擎    21  18  9531    2412    200
1363157990043   13925057413 00-1F-64-E1-E6-9A:CMCC  120.196.100.55  t3.baidu.com    搜尋引擎    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對此資料進行業務分析

以下是操作流程

5.對tel.txt資料如何使用pig進行分析處理
5.1 把待處理的資料上傳到HDFS中
5.2 把HDFS中的資料轉換為pig可以處理的模式
    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 檢視
5.3 把裡面的有用的欄位抽取出來
    B = FOREACH A GENERATE msisdn, t6, t7, t8, t9;  
    DUMP B 檢視
5.4 分組資料
    C = GROUP B BY msisdn;  
5.5 流量彙總
    D = FOREACH C GENERATE  group, SUM(B.t6), SUM(B.t7), SUM(B.t8), SUM(B.t9);
5.6 儲存到HDFS中
    STORE D INTO '/wlan_result';

【1】上傳tex.txt到hdfs的/pigData上

hadoop fs -mkdir /pigData
hadoop fs -put /tel.txt  /pigData

【2】把HDFS中的資料轉換為pig可以處理的模式

 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);
#其中型別要與源資料對應，pig中沒有string型別，取代之的是chararray

#檢視A
DEMP A  

【3】抽取有用的資料

#只獲取有用的列值
#獲取A中的msisdn, t6, t7, t8, t9幾列賦值給B
B = FOREACH A GENERATE msisdn, t6, t7, t8, t9;

#檢視 
DUMP B

【4】分組資料

#將B的資料按照msisdn列分組並賦值給C
C = GROUP B BY msisdn;

#檢視
DUMP C

【5】流量彙總

#計算流量綜合
D = FOREACH C GENERATE  group, SUM(B.t6), SUM(B.t7), SUM(B.t8), SUM(B.t9);

#檢視D
DUMP D

【6】將計算資料存入hdfs

#將最後的D彙總存入hdfs的/pigData/tel_result目錄下
STORE D INTO '/pigData/tel_result';

【7】檢視結果

pig資料型別等：http://blackproof.iteye.com/blog/1791980

【8】WC案例詳解圖

https://www.cnblogs.com/edisonchou/p/4413347.html