Pig安装及简单实例

前面讲到了如何用MapReduce进行数据分析。当业务比较复杂的时候，使用MapReduce将会是一个很复杂的事情，比如你需要对数据进行很多预处理或转换，以便能够适应MapReduce的处理模式。另一方面，编写MapReduce程序，发布及运行作业都将是一个比较耗时的事情。
Pig的出现很好的弥补了这一不足。Pig能够让你专心于数据及业务本身，而不是纠结于数据的格式转换以及MapReduce程序的编写。本质是上来说，当你使用Pig进行处理时，Pig本身会在后台生成一系列的MapReduce操作来执行任务，但是这个过程对用户来说是透明的。


Pig的安装
Pig作为客户端程序运行，即使你准备在Hadoop集群上使用Pig，你也不需要在集群上做任何安装。Pig从本地提交作业，并和Hadoop进行交互。
1）下载Pig
前往http://mirror.bit.edu.cn/apache/pig/ 下载合适的版本，比如Pig 0.12.0
2）解压文件到合适的目录
tar –xzf pig-0.12.0
3）设置环境变量
export PIG_INSTALL=/opt/pig-0.12.0
export PATH=$PATH:$PIG_INSTALL/bin
如果没有设置JAVA环境变量，此时还需要设置JAVA_HOME，比如：
export JAVA_HOME=/usr/lib/jvm/java-6-sun
4）验证
执行以下命令，查看Pig是否可用：
pig –help

Pig执行模式
Pig有两种执行模式，分别为：
1） 本地模式（Local）
本地模式下，Pig运行在单一的JVM中，可访问本地文件。该模式适用于处理小规模数据或学习之用。
运行以下命名设置为本地模式：
pig –x local
2） MapReduce模式
在MapReduce模式下，Pig将查询转换为MapReduce作业提交给Hadoop（可以说群集 ，也可以说伪分布式）。
应该检查当前Pig版本是否支持你当前所用的Hadoop版本。某一版本的Pig仅支持特定版本的Hadoop，你可以通过访问Pig官网获取版本支持信息。
Pig会用到HADOOP_HOME环境变量。如果该变量没有设置，Pig也可以利用自带的Hadoop库，但是这样就无法保证其自带肯定库和你实际使用的HADOOP版本是否兼容，所以建议显式设置HADOOP_HOME变量。
下一步，需要告诉Pig它所用Hadoop集群的Namenode和Jobtracker。一般情况下，正确安装配置Hadoop后，这些配置信息就已经可用了，不需要做额外的配置。
Pig默认模式是mapreduce，你也可以用以下命令进行设置：
pig –x mapreduce

运行Pig程序
Pig程序执行方式有三种:
1） 脚本方式
直接运行包含Pig脚本的文件，比如以下命令将运行本地scripts.pig文件中的所有命令：
pig scripts.pig
2） Grunt方式
Grunt提供了交互式运行环境，可以在命令行编辑执行命令。
Grund同时支持命令的历史记录，通过上下方向键访问。
Grund支持命令的自动补全功能。比如当你输入a = foreach b g时，按下Tab键，则命令行自动变成a = foreach b generate。你甚至可以自定义命令自动补全功能的详细方式。具体请参阅相关文档。
3） 嵌入式方式
可以在java中运行Pig程序，类似于使用JDBC运行SQL程序。
Pig Latin编辑器
PigPen是一个Ecliipse插件，它提供了在Eclipse中开发运行Pig程序的常用功能，比如脚本编辑、运行等。下载地址：http://wiki.apache.org/pig/PigPen
其他一些编辑器也提供了编辑Pig脚本的功能，比如vim等。


简单示例
我们以查找最高气温为例，演示如何利用Pig统计每年的最高气温。假设数据文件内容如下（每行一个记录，tab分割）：
1990 21
1990 18
1991 21
1992 30
1992 999
1990 23


以local模式进入pig，依次输入以下命令（注意以分号结束语句）：
1) records = load ‘/home/user/input/temperature1.txt’ as (year: chararray,temperature: int);
2) dump records;
3) describe records;
4) valid_records = filter records by temperature!=999;
5) grouped_records = group valid_records by year;
6) dump grouped_records;
7) describe grouped_records;
8) max_temperature = foreach grouped_records generate group,MAX(valid_records.temperature);
备注：valid_records是字段名，在上一语句的describe命令结果中可以查看到group_records 的具体结构。
9) dump max_temperature;

最终结果为：