Pig相关操作

命令行

Pig的常用命令：操作HDFS

ls、cd、cat、mkdir、pwd、copyFromLocal（上传）、copyToLocal（下载）

sh: 调用操作系统的命令

register、define -----> 部署pig的自定义函数的jar包

使用PigLatin语句分析数据

1、需要启动Yarn的HistoryServer：记录所有执行过的任务

mr-jobhistory-daemon.sh start historyserver
URL:  http://ip:19888/jobhistory

2、常见的PigLatin语句（注意：PigLatin语句跟Spark中算子/方法非常像）

（*）load    加载数据到表（bag）
（*）foreach   相当于循环，对bag中每一个行tuple进行处理
（*）filter    过滤、相当于where
（*）group by  分组
（*）order by  排序
（*）join      链接
（*）generate  提取列
（*）union、intersect  集合运算
（*）输出：dump  屏幕
   store  保存到文件

注意：PigLatin有些会触发计算，有些不会。类似Spark RDD 算子（方法）：

Transformation方法（算子） -----> 不会触发计算
Action方法（算子） ------> 会触发Spark的计算

3、使用PigLatin语句

7499,ALLEN,SALESMAN,7698,1981/2/20,1600,300,30

（1）创建员工表 emp

emp = load '/scott/emp.csv';

查看表结构

describe emp;
Schema for emp unknown

（2）创建表，指定schema（结构）

emp = load '/scott/emp.csv' as(empno,ename,job,mgr,hiredate,sal,comm,deptno);

默认的列的类型：bytearray
默认的分隔符：制表符
最终版：

emp = load '/scott/emp.csv' using PigStorage(',') as(empno:int,ename:chararray,job:chararray,mgr:int,hiredate:chararray,sal:int,comm:int,deptno:int);

再创建部门表

10,ACCOUNTING,NEW YORK

dept = load '/scott/dept.csv' using PigStorage(',') as(deptno:int,dname:chararray,loc:chararray);

（3）查询员工信息：员工号 姓名 薪水

SQL:  select empno,ename,sal from emp;
PL:   emp3 = foreach emp generate empno,ename,sal;    ----> 不会触发计算
dump emp3;

（4）查询员工信息，按照月薪排序

SQL:  select * from emp order by sal;
PL:   emp4 = order emp by sal;
dump emp4;

（5）分组：求每个部门的最高工资: 部门号 部门的最高工资

SQL:  select deptno,max(sal) from emp group by deptno;

PL: 第一步：先分组

emp51 = group emp by deptno;

查看emp51的表结构

emp51: {group: int,
        emp: {(empno: int,ename: chararray,job: chararray,mgr: int,hiredate: chararray,sal: int,comm: int,deptno: int)}}
dump emp51;

数据

group         emp
(10,{(7934,MILLER,CLERK,7782,1982/1/23,1300,,10),
     (7839,KING,PRESIDENT,,1981/11/17,5000,,10),
 (7782,CLARK,MANAGER,7839,1981/6/9,2450,,10)})

(20,{(7876,ADAMS,CLERK,7788,1987/5/23,1100,,20),
     (7788,SCOTT,ANALYST,7566,1987/4/19,3000,,20),
 (7369,SMITH,CLERK,7902,1980/12/17,800,,20),
 (7566,JONES,MANAGER,7839,1981/4/2,2975,,20),
 (7902,FORD,ANALYST,7566,1981/12/3,3000,,20)})

(30,{(7844,TURNER,SALESMAN,7698,1981/9/8,1500,0,30),
     (7499,ALLEN,SALESMAN,7698,1981/2/20,1600,300,30),
 (7698,BLAKE,MANAGER,7839,1981/5/1,2850,,30),
 (7654,MARTIN,SALESMAN,7698,1981/9/28,1250,1400,30),
 (7521,WARD,SALESMAN,7698,1981/2/22,1250,500,30),
 (7900,JAMES,CLERK,7698,1981/12/3,950,,30)})

第二步：求每个组（每个部门）工资的最大值，注意：MAX大写

emp52 = foreach emp51 generate group,MAX(emp.sal)

（6）查询10号部门的员工

SQL:  select * from emp where deptno=10;
PL:   emp6 = filter emp by deptno==10;   注意：两个等号

（7）多表查询：部门名称、员工姓名

SQL:  select d.dname,e.ename from emp e,dept d where e.deptno=d.deptno;
PL:   emp71 = join dept by deptno,emp by deptno;
      emp72 = foreach emp71 generate dept::dname,emp::ename;

（8）集合运算：
查询10和20号部门的员工信息

SQL:   select * from emp where deptno=10
       union
       select * from emp where deptno=20;

注意：Oracle中，是否任意的集合都可以参与集合运算？参与集合运算的各个集合，必须列数相同、且类型一致

select deptno,job,sum(sal) from emp group by deptno,job
union 
select deptno,to_char(null),sum(sal) from emp group by deptno
union
select to_number(null),to_char(null),sum(sal) from emp;

PL:  emp10 = filter emp by deptno==10;
     emp20 = filter emp by deptno==20;
     emp1020 = union emp10,emp20;

（9）执行WordCount

① 加载数据 
mydata = load '/input/data.txt' as (line:chararray);

② 将字符串分割成单词 
words = foreach mydata generate flatten(TOKENIZE(line)) as word;

③ 对单词进行分组 
grpd = group words by word; 

④ 统计每组中单词数量 
cntd = foreach grpd generate group,COUNT(words); 

⑤ 打印结果 
dump cntd;  

注意：后面的操作依赖前面的操作，类似Spark的RDD（依赖关系）

Pig的自定义函数

依赖的jar
/root/training/pig-0.14.0/pig-0.14.0-core-h2.jar
/root/training/pig-0.14.0/lib
/root/training/pig-0.14.0/lib/h2
/root/training/hadoop-2.4.1/share/hadoop/common
/root/training/hadoop-2.4.1/share/hadoop/common/lib 

1、自定义的运算函数: 根据员工的薪水，判断薪水的级别

package pig;

import java.io.IOException;

import org.apache.pig.EvalFunc;
import org.apache.pig.data.Tuple;

//根据员工的薪水，判断薪水的级别
//调用  emp2 = foreach emp generate empno,ename,sal,运算函数(sal)
// emp2 = foreach emp generate empno,ename,sal,pig.CheckSalaryGrade(sal);
public class CheckSalaryGrade extends EvalFunc<String>{

    @Override
    public String exec(Tuple tuple) throws IOException {
        // 调用运行函数
        //tuple传递的参数值

        int sal = (int) tuple.get(0);
        if(sal <1000) return "Grade A";
        else if(sal>=1000 && sal<3000) return "Grade B";
        else return "Grade C";
    }
}

2、自定义的过滤函数: 查询薪水大于2000的员工

package pig;

import java.io.IOException;

import org.apache.pig.FilterFunc;
import org.apache.pig.data.Tuple;

//查询薪水大于2000的员工
//调用 emp3 = filter emp by 过滤函数(sal)
//  emp3 = filter emp by pig.IsSalaryTooHigh(sal);
public class IsSalaryTooHigh extends FilterFunc {

    @Override
    public Boolean exec(Tuple tuple) throws IOException {
        //取出薪水
        int sal = (int) tuple.get(0);
        return sal>2000?true:false;
    }
}

3、自定义的加载函数（最麻烦）还需要MR的jar包

package pig;

import java.io.IOException;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.InputFormat;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.pig.LoadFunc;
import org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.PigSplit;
import org.apache.pig.data.BagFactory;
import org.apache.pig.data.DataBag;
import org.apache.pig.data.Tuple;
import org.apache.pig.data.TupleFactory;

public class MyLoadFunction extends LoadFunc {

    //定义HDFS的输入流
    private RecordReader reader = null;

    @Override
    public InputFormat getInputFormat() throws IOException {
        // 输入数据的数类型是什么：字符串
        return new TextInputFormat();
    }

    @Override
    public Tuple getNext() throws IOException {
        // 对reader中读入的每一行数据进行处理
        //数据： I love Beijing
        //返回结果
        Tuple result = null;
        try{
            //判断是否有数据
            if(!this.reader.nextKeyValue()){
                //没有输入数据
                return result;
            }

            //读入了数据
            String data = this.reader.getCurrentValue().toString();
            //分词操作
            String[] words = data.split(" ");

            //生成返回的tuple
            result = TupleFactory.getInstance().newTuple();

            //把每个单词单独生成一个tuple，然后把这些tuple放入bag中，再把这个bag放入result中
            //创建一个表
            DataBag bag = BagFactory.getInstance().newDefaultBag();
            for(String w:words){
                //为每个单词生成一个新的tuple
                Tuple aTuple  = TupleFactory.getInstance().newTuple();
                aTuple.append(w);  //将单词放入tuple

                //再把这个tuple放入bag
                bag.add(aTuple);
            }

            //再把这个bag放入result中
            result.append(bag);
        }catch(Exception ex){
            ex.printStackTrace();
        }

        return result;
    }

    @Override
    public void prepareToRead(RecordReader reader, PigSplit arg1) throws IOException {
        //reader代表HDFS的输入流
        this.reader = reader;
    }

    @Override
    public void setLocation(String path, Job job) throws IOException {
        // 指定HDFS的路径
        FileInputFormat.setInputPaths(job, new Path(path));
    }
}