Pig的安装和简单示例(转)

inkfish原创，请勿商业性质转载，转载请注明来源（http://blog.csdn.net/inkfish ）。

　　Pig是Yahoo!捐献给Apache的一个项目，目前还在Apache孵化器（incubator）阶段，目前版本是v0.5.0。Pig是一个基于Hadoop的大规模数据分析平台，它提供的SQL-like语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。Pig为复杂的海量数据并行计算提供了一个简易的操作和编程接口。本文介绍了Pig的安装及简单示例的运行，主要参考/翻译自官方文档的Pig Setup 。

前提条件：

• Linux/Unix系统，或带有Cygwin的Windows操作系统，我是用的是Ubuntu 8.04；
• Hadoop 0.20.X
• JDK 1.6或更高
• Ant 1.7（可选，如果想自己编译Pig的话则需要）
• JUnit 4.5（可选，如果自己想运行单元测试的话则需要）

Pig的安装

1.下载Pig
　　可以去Pig的官方主页下载最新的Pig，在写本篇文章时，最新版本是Pig 0.5.0
2.解压缩
　　$ tar -xvf pig-0.5.0.tar.gz 
　　我一般喜欢把pig装在/opt/hadoop/pig-0.5.0目录下
3.设置环境变量
　　为了便于Pig以后的升级，我创建了一个软链接，环境变量指向软链接的目录，而软链接指向最新的Pig版本。
　　$ ln -s /opt/hadoop/pig-0.5.0 /opt/hadoop/pig 
　　编辑/etc/enviroment，在PATH加入Pig的bin子目录路径（也可以修改~/.bashrc或~/.profile）。
4.验证安装完成
　　重新进入终端，键入env命令，应该能看到PATH已经生效。键入pig -help命令，则出现帮助信息，代表Pig已经正确安装完毕。

Pig的运行模式

1.本地模式
　　Pig运行于本地模式，只涉及到单独的一台计算机。
2.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

• Grunt shell方式：通过交互的方式，输入命令执行任务；
• Pig script方式：通过script脚本的方式来运行任务；
• 嵌入式方式：嵌入java源代码中，通过java调用来运行任务。

Pig的示例代码

　　下面就分别介绍这三种不同的调用方式，首先，先展示一下示例需要用到的源代码，这部分源代码与官方文档中的一样，但有如下修改：

• 修正了官方文档中一个错误，即id.pig最后一行id.out两侧的全角单引号改为半角单引号；
• 2.修正了官方文档中一个错误，即idmapreduce.java的runIdQuery方法第一行末尾少一个分号；
• 3.按照Java常见的命名规范，类名首字母大写。

　　script文件：id.pig

 

view plain

1. A = load 'passwd' using PigStorage(':');  
2. B = foreach A generate $0 as id;  
3. dump B;  
4. store B into ‘id.out’;  

 

　　local模式的java文件：Idlocal.java

 

view plain

1. import java.io.IOException;  
2. import org.apache.pig.PigServer;  
3. public class idlocal{  
4. public static void main(String[] args) {  
5. try {  
6.     PigServer pigServer = new PigServer("local");  
7.     runIdQuery(pigServer, "passwd");  
8.     }  
9.     catch(Exception e) {  
10.     }  
11.  }  
12. public static void runIdQuery(PigServer pigServer, String inputFile) throws IOException {  
13.     pigServer.registerQuery("A = load '" + inputFile + "' using PigStorage(':');");  
14.     pigServer.registerQuery("B = foreach A generate $0 as id;");  
15.     pigServer.store("B", "id.out");  
16.  }  
17. }  

 

　　mapreduce模式的java文件：Idmapreduce.java

 

view plain

1. import java.io.IOException;  
2. import org.apache.pig.PigServer;  
3. public class idmapreduce{  
4.    public static void main(String[] args) {  
5.    try {  
6.      PigServer pigServer = new PigServer("mapreduce");  
7.      runIdQuery(pigServer, "passwd");  
8.    }  
9.    catch(Exception e) {  
10.    }  
11. }  
12. public static void runIdQuery(PigServer pigServer, String inputFile) throws IOException {  
13.    pigServer.registerQuery("A = load '" + inputFile + "' using PigStorage(':');");  
14.    pigServer.registerQuery("B = foreach A generate $0 as id;");  
15.    pigServer.store("B", "idout");  
16.    }  
17. }  

 

　　两个java类需要进行编译，编译命令：
　　　　javac -cp .:/opt/hadoop/pig/pig-0.5.0-core.jar Idlocal.java
　　　　javac -cp .:/opt/hadoop/pig/pig-0.5.0-core.jar Idmapreduce.java 
　　其中pig-0.5.0-core.jar如不在当前目录，则要指明其全路径。

1.Grunt shell方式
　　Grunt shell方式首先用pig命令启动，pig命令可以加参数“-x local”代表本地模式，或“-x mapreduce”代表mapreduce模式，默认mapreduce模式。
　　　　$ pig -x local
　　　　$ pig
　　　　$ pig -x mapreduce 
　　按行输入命令：
　　　　grunt> A = load 'passwd' using PigStorage(':'); 
　　　　grunt> B = foreach A generate $0 as id; 
　　　　grunt> dump B; 
　　　　grunt> store B into 'out'; 
　　其中，“dump B”表示在屏幕中显示结果，“store B into 'out'”表示把结果输出到out文件/文件夹中。在local模式中，out文件写入到当前目录；mapreduce中，out文件夹则需要给出绝对路径。

2.Pig script方式
　　script方式中，用pig命令启动，后面带要运行的.pig文件即可，如：
　　　　$ pig -x local id.pig
　　　　$ pig id.pig
　　　　$ pig -x mapreduce id.pig 

3.嵌入式方式

　　嵌入式方式与运行于运行普通java类方式没有任何不同，如：
　　　　java -cp .:/opt/hadoop/pig/pig-0.5.0-core.jar Idmapreduce
　　　　java -cp .:/opt/hadoop/pig/pig-0.5.0-core.jar Idlocal