Hadoop第8周练习—Pig部署及统计访问日志例子
1 运行环境说明
1.1 硬软件环境
1.2 机器网络环境
2 书面作业0：搭建Pig环境
2.1 Pig介绍
2.2 部署过程
2.2.1 下载Pig
2.2.2 上传Pig
2.2.3 解压缩
2.2.4 设置环境变量
2.2.5 验证安装完成
3 书面作业1：计算每个IP点击次数
3.1 书面作业1内容
3.2 程序代码
3.3 准备数据
3.4 实现过程
3.4.1 输入代码
3.4.2 运行过程
3.4.3 运行结果
1 运行环境说明
1.1 硬软件环境
l 主机操作系统：Windows 64 bit，双核4线程，主频2.2G，6G内存
l 虚拟软件：VMware® Workstation 9.0.0 build-812388
l 虚拟机操作系统：CentOS 64位，单核，1G内存
l JDK：1.7.0_55 64 bit
l Hadoop：1.1.2
1.2 机器网络环境
集群包含三个节点：1个namenode、2个datanode，其中节点之间可以相互ping通。节点IP地址和主机名分布如下：
|
序号 |
机器名 |
类型 |
用户名 |
运行进程 |
|
|
1 |
10.88.147.221 |
hadoop1 |
名称节点 |
hadoop |
NN、SNN、JobTracer |
|
2 |
10.88.147.222 |
hadoop2 |
数据节点 |
hadoop |
DN、TaskTracer |
|
3 |
10.88.147.223 |
hadoop3 |
数据节点 |
hadoop |
DN、TaskTracer |
所有节点均是CentOS6.5 64bit系统，防火墙均禁用，所有节点上均创建了一个hadoop用户，用户主目录是/usr/hadoop。所有节点上均创建了一个目录/usr/local/hadoop，并且拥有者是hadoop用户。
2 书面作业0：搭建Pig环境
2.1 Pig介绍
Pig是yahoo捐献给apache的一个项目，使用SQL-like语言，是在MapReduce上构建的一种高级查询语言，把一些运算编译进MapReduce模型的Map和Reduce中。Pig 有两种运行模式： Local 模式和 MapReduce 模式
l 本地模式：Pig运行于本地模式，只涉及到单独的一台计算机
l MapReduce模式：Pig运行于MapReduce模式，需要能访问一个Hadoop集群，并且需要装上HDFS
Pig的调用方式：
l Grunt shell方式：通过交互的方式，输入命令执行任务；
l Pig script方式：通过script脚本的方式来运行任务；
l 嵌入式方式：嵌入java源代码中，通过java调用来运行任务。
2.2 部署过程
2.2.1下载Pig
在Apache下载最新的Pig软件包，点击下载会推荐最快的镜像站点，以下为下载地址：http://mirror.bit.edu.cn/apache/pig/
2.2.2上传Pig
把下载的pig-0.13.0.tar.gz安装包，使用SSH Secure File Transfer工具（第1、2作业周2.1.3.1介绍）上传到/home/hadoop/Downloads 目录下
2.2.3解压缩
在Downloads目中将pig解压缩
cd /home/hadoop/Downloads/
tar -xzvf pig-0.13.0.tar.gz
把pig-0.13.0目录移到/usr/local目录下
sudo mv pig-0.13.0 /usr/local
cd /usr/local
ls /usr/local
2.2.4设置环境变量
使用如下命令编辑/etc/profile文件：
sudo vi /etc/profile
设置pig的class路径和在path加入pig的路径，其中PIG_CLASSPATH参数是设置pig在MapReduce工作模式：
export PIG_HOME=/usr/local/pig-0.13.0
export PIG_CLASSPATH=/usr/local/hadoop-1.1.2/conf
export PATH=$PATH:/usr/local/hadoop-1.1.2/bin:$PIG_HOME/bin
编译配置文件/etc/profile，并确认生效
source /etc/profile
2.2.5验证安装完成
重新登录终端，确保hadoop集群启动，键入pig命令，应该能看到pig连接到hadoop集群的信息并且进入了grunt shell命令行模式：
3 书面作业1：计算每个IP点击次数
3.1 书面作业1内容
在课程资源下载本周的作业素材access_log.rar，是一段dataguru的网站访问日志 请大家使用pig处理这个日志，计算出每个ip的点击次数，例如 123.24.56.57 13 24.53.23.123 7 34.56.78.120 20 .... 等等
3.2 程序代码
// 加载HDFS中访问日志，使用空格进行分割，只加载ip列
records = LOAD 'hdfs://hadoop1:9000/usr/hadoop/in/access_log.txt' USING PigStorage(' ') AS (ip:chararray);
// 按照ip进行分组，统计每个ip点击数
records_b = GROUP records BY ip;
records_c = FOREACH records_b GENERATE group,COUNT(records) AS click;
// 按照点击数排序，保留点击数前10个的ip数据
records_d = ORDER records_c by click DESC;
top10 = LIMIT records_d 10;
// 把生成的数据保存到HDFS的week8目录中
STORE top10 INTO 'hdfs://hadoop1:9000/usr/hadoop/week8';
3.3 准备数据
使用SSH工具（参见第1、2周2.1.3.1Linux文件传输工具所描述）把提供的测试数据access_log.txt上传到本地目录/usr/local/hadoop-1.1.2/input中，然后调用hadoop上传本地文件命令把该文件传到/usr/hadoop/in目录中，如下图所示：
access_log.txt日志内容如下：
3.4 实现过程
3.4.1输入代码
进入pig shell 命令行模式：
![clip_image014[1]](http://images0.cnblogs.com/blog/107289/201501/040906377632324.jpg "clip_image014[1]")
输入代码：
3.4.2运行过程
在执行过程中在JobTracker页面观察运行情况，链接地址为：http://hadoop1:50030/jobtracker.jsp
点击查看具体作业信息
可以观察到本次任务分为4个作业，每个作业一次在上一次作业的结果上进行计算
3.4.3运行结果
通过以下命令查看最后的结果：
hadoop fs -ls /usr/hadoop/week8
hadoop fs -cat /usr/hadoop/week8/part-r-00000
