5行代码怎么实现Hadoop的WordCount？

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： 

Java代码  

1. i am hadoop  

2. i am hadoop  

3. i am lucene  

4. i am hbase  

5. i am hive  

6. i am hive sql  

7. i am pig  

Pig的全部脚本如下： 

Pig代码  

1. --大数据交流群：376932160（广告勿入）  

2. --load文本的txt数据，并把每行作为一个文本  

3. a = load '$in' as (f1:chararray);  

4. --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  

5. b = foreach a generate flatten(TOKENIZE(f1, ' '));  

6. --对单词分组  

7. c = group b by $0;  

8. --统计每个单词出现的次数  

9. d = foreach c generate group ,COUNT($1);  

10. --存储结果数据  

11. stroe d into '$out'  

处理结果如下： 

Java代码  

1. (i,7)  

2. (am,7)  

3. (pig,1)  

4. (sql,1)  

5. (hive,2)  

6. (hbase,1)  

7. (hadoop,2)  

8. (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： 

Pig代码  

1. --load文本的txt数据，并把每行作为一个文本  

2. a = load '$in' as (f1:chararray);  

3. --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  

4. b = foreach a generate flatten(TOKENIZE(f1, ' '));  

5. --对单词分组  

6. c = group b by $0;  

7. --统计每个单词出现的次数  

8. d = foreach c generate group ,COUNT($1);  

9. -- 按统计次数降序  

10. e = order d by $1 desc;  

11. --取top2  

12. f = limit e 2;  

13. --存储结果数据  

14. stroe f into '$out'  

输出结果如下： 

Java代码  

1. (i,7)  

2. (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。 




扫码关注微信公众号：我是攻城师（woshigcs），如果有什么疑问，技术问题，职业问题等，欢迎在公众号上留言与我探讨！让我们做不一样的攻城师！谢谢大家！  

 


转载请注明原创地址，谢谢配合！http://qindongliang.iteye.com/