一個簡單數(shù)據(jù)處理例子
1、Pig數(shù)據(jù)模型
Bag：表
Tuple：行，記錄
Field：屬性
Pig不要求同一個Bag里面的各個Tuple有相同數(shù)量或相同類型的Field
2、Pig Lating常用語句
1）LOAD:指出載入數(shù)據(jù)的方法
2）FOREACH：逐行掃描進行某種處理
3）FILTER：過濾行
4）DUMP：把結(jié)果顯示到屏幕
5）STORE：把結(jié)果保存到文件
3、簡單例子：
假如有一份成績單，有學(xué)號、語文成績、數(shù)學(xué)成績，屬性之間用|分隔，如下：
20130001|80|90 20130002|85|96 20130003|60|70 20130004|74|86 20130005|65|98
1）把文件從本地系統(tǒng)上傳到Hadoop
[coder@h1 hadoop-0.20.2]$ bin/hadoop dfs -put /home/coder/score.txt in
查看是否上傳成功:
[coder@h1 hadoop-0.20.2]$ bin/hadoop dfs -ls /user/coder/in
Found 1 items
-rw-r--r-- 2 coder supergroup 75 2013-04-20 14:33 /user/coder/in/score.txt
2）載入原始數(shù)據(jù)，使用LOAD
grunt> scores = LOAD 'hdfs://h1:9000/user/coder/in/score.txt' USING PigStorage('|') AS (num:int,Chinese:int,Math:int);
輸入文件是：'hdfs://h1:9000/user/coder/in/score.txt'
表名（Bag）：scores
從輸入文件讀取數(shù)據(jù)（Tuple）時以 | 分隔
讀取的Tuple包含3個屬性，分別為學(xué)號（num）、語文成績（Chinese）和數(shù)學(xué)成績（Math），這三個屬性的數(shù)據(jù)類型都為int
3）查看表的結(jié)構(gòu)
grunt> DESCRIBE scores;
scores: {num: int,Chinese: int,Math: int}
4）假如我們需要過濾掉學(xué)號為20130005的記錄
grunt> filter_scores = FILTER scores BY num != 20130005;
查看過濾后的記錄
grunt> dump filter_scores; (20130001,80,90) (20130002,85,96) (20130003,60,70) (20130004,74,86)
5）計算每個人的總分
grunt> totalScore = FOREACH scores GENERATE num,Chinese+Math;
查看結(jié)果：
grunt> dump totalScore;
(20130001,170) (20130002,181) (20130003,130) (20130004,160) (20130005,163)
6）將每個人的總分結(jié)果輸出到文件
grunt> store totalScore into 'hdfs://h1:9000/user/coder/out/result' using PigStorage('|');
查看結(jié)果：
[coder@h1 ~]$ hadoop dfs -ls /user/coder/out/result Found 2 items drwxr-xr-x - coder supergroup 0 2013-04-20 15:54 /user/coder/out/result/_logs -rw-r--r-- 2 coder supergroup 65 2013-04-20 15:54 /user/coder/out/result/part-m-00000 [coder@h1 ~]$ ^C [coder@h1 ~]$ hadoop dfs -cat /user/coder/out/result/* 20130001|170 20130002|181 20130003|130 20130004|160 20130005|163 cat: Source must be a file. [coder@h1 ~]$
再看一個小例子：
有一批如下格式的文件：
zhangsan#123456#zhangsan@qq.com lisi#434dfdds#lisi@126.com wangwu#ffere233#wangwu@163.com zhouliu#fgrtr43#zhouliu@139.com
每行記錄有三個字段：賬號、密碼、郵箱，字段之間以#號分隔，現(xiàn)在要提取這批文件中的郵箱。
1）上傳文件到hadoop
[coder@h1 hadoop-0.20.2]$ bin/hadoop dfs -put data.txt in
[coder@h1 hadoop-0.20.2]$ bin/hadoop dfs -ls /user/coder/in Found 1 items -rw-r--r-- 2 coder supergroup 122 2013-04-24 20:34 /user/coder/in/data.txt [coder@h1 hadoop-0.20.2]$
2）載入原始數(shù)據(jù)文件
grunt> T_A = LOAD '/user/coder/in/data.txt' using PigStorage('#') as (username:chararray,password:chararray,email:chararray);
3）取出email字段
grunt> T_B = FOREACH T_A GENERATE email;
4）把結(jié)果輸出到文件
grunt> STORE T_B INTO '/user/coder/out/email'
5）查看結(jié)果
[coder@h1 hadoop-0.20.2]$ bin/hadoop dfs -cat /user/coder/out/email/* zhangsan@qq.com lisi@126.com wangwu@163.com zhouliu@139.com cat: Source must be a file.