pig的第一个程序

阅读更多

初学编程的人，都知道hello world的含义，当你第一次从控制台里打印出了hello world，就意味着，你已经开始步入了编程的大千世界，这和第一个吃螃蟹的人的意义有点类似，虽然这样比喻并不恰当。

如果说学会了使用hello world就代表着你踏入了单机编程的大门，那么学会在分布式环境下使用wordcount，则意味着你踏入了分布式编程的大门。试想一下，你的程序能够成百上千台机器的集群中运行，是不是一件很有纪念意义的事情呢？不管在Hadoop中，还是Spark中，初次学习这两个开源框架做的第一个例子无疑于wordcount了，只要我们的wordcount能够运行成功,那么我们就可以大胆的向后深入探究了。


扯多了，下面赶紧进入正题，看一下，如何使用5行代码来实现hadoop的wordcount，在Hadoop中如果使用Java写一个wordcount最少也得几十行代码，如果通过Hadoop Streaming的方式采用Python，PHP，或C++来写，差不多也得10行代码左右。如果是基于Spark的方式来操作HDFS，在采用Scala语言，来写wordcount，5行代码也能搞定，但是如果使用spark，基于Java的api来写，那么就臃肿了，没有几十行代码，也是搞不定的。


今天，散仙在这里既不采用spark的scala来写，也不采用hadoop streaming的python方式来写，看看如何使用我们的Pig脚本，来搞定这件事，测试数据如下：

i am hadoop
i am hadoop
i am lucene
i am hbase
i am hive
i am hive sql
i am pig

i am hadoop
i am hadoop
i am lucene
i am hbase
i am hive
i am hive sql
i am pig

Pig的全部脚本如下：

--大数据交流群：376932160（广告勿入）
--load文本的txt数据，并把每行作为一个文本
a = load '$in' as (f1:chararray);
--将每行数据，按指定的分隔符（这里使用的是空格）进行分割，并转为扁平结构
b = foreach a generate flatten(TOKENIZE(f1, ' '));
--对单词分组
c = group b by $0;
--统计每个单词出现的次数
d = foreach c generate group ,COUNT($1);
--存储结果数据
stroe d into '$out'

--大数据交流群：376932160（广告勿入）
--load文本的txt数据，并把每行作为一个文本
a = load '$in' as (f1:chararray);
--将每行数据，按指定的分隔符（这里使用的是空格）进行分割，并转为扁平结构
b = foreach a generate flatten(TOKENIZE(f1, ' '));
--对单词分组
c = group b by $0;
--统计每个单词出现的次数
d = foreach c generate group ,COUNT($1);
--存储结果数据
stroe d into '$out'

处理结果如下：

(i,7)
(am,7)
(pig,1)
(sql,1)
(hive,2)
(hbase,1)
(hadoop,2)
(lucene,1)

(i,7)
(am,7)
(pig,1)
(sql,1)
(hive,2)
(hbase,1)
(hadoop,2)
(lucene,1)

是的，你没看错，就是5行代码，实现了数据的读取，分割，转换，分组，统计，存储等功能。非常简洁方便！

除了spark之外，没有比这更简洁的，但这仅仅只是一个作业而已，如果在需求里面，又加入了对结果排序，取topN，这时候在pig里面，还是非常简单，只需新加2行代码即可，但是在spark里面，可能就需要数行代码了。

我们看下，更改之后的pig代码，加入了排序，取topN的功能：

--load文本的txt数据，并把每行作为一个文本
a = load '$in' as (f1:chararray);
--将每行数据，按指定的分隔符（这里使用的是空格）进行分割，并转为扁平结构
b = foreach a generate flatten(TOKENIZE(f1, ' '));
--对单词分组
c = group b by $0;
--统计每个单词出现的次数
d = foreach c generate group ,COUNT($1);
-- 按统计次数降序
e = order d by $1 desc;
--取top2
f = limit e 2;
--存储结果数据
stroe f into '$out'

--load文本的txt数据，并把每行作为一个文本
a = load '$in' as (f1:chararray);
--将每行数据，按指定的分隔符（这里使用的是空格）进行分割，并转为扁平结构
b = foreach a generate flatten(TOKENIZE(f1, ' '));
--对单词分组
c = group b by $0;
--统计每个单词出现的次数
d = foreach c generate group ,COUNT($1);
-- 按统计次数降序
e = order d by $1 desc;
--取top2
f = limit e 2;
--存储结果数据
stroe f into '$out'

输出结果如下：

(i,7)
(am,7)

(i,7)
(am,7)

如果使用JAVA来编写这个MapReduce作业，后面的排序统计topn，必须得重新写一个job来执行，因为MapReduce干的事非常简单，一个job仅仅只处理一个功能，而在Pig中它会自动，帮我们分析语法树来构建多个依赖的MapReduce作业，而我们无须关心底层的代码实现，只需专注我们的业务即可。

除此之外，Pig还是一个非常灵活的批处理框架，通过自定义UDF模块，我们可以使用Pig来干很多事，看过散仙的上一篇文章的朋友们，应该就知道当初雅虎公司不仅仅使用Pig分析日志，搜索内容，PangeRank排名，而且还使用Pig来构建它们的web倒排索引等种种扩展功能，我们都可以通过Pig的UDF的方式来实现，它可以将我们的业务与MapReduce具体的实现解耦，而且复用性极强，我们写的任何一个工具类，都可以轻而易举的通过Pig稳定的运行在大规模的Hadoop集群之上。