大数据之pig 命令

1.pig与hive的区别

pig和hive比较类似的，都是类sql的语言，底层都是依赖于hadoop
    走的mapreduce任务。
    pig和hive的区别就是，想要实现一个业务逻辑的话，使用pig需要一步一步操作
    而使用hive的话一条SQL就可以搞定。
    如果想在很短时间内获取一个比较复杂的业务逻辑处理结果的话，建议使用pig。
    如果需要定时执行的一些任务，建议使用hive。

2：pig和mapreduce对比

    pig优点：针对一些基本的处理逻辑，已经做好了封装，直接使用对应的命令即可。
        但是使用mapreduce代码的话就需要我们自己实现了，并且使用pig还不需要
        考虑代码的优化。
        使用mapreduce的话会出现数据倾斜的问题，但是使用pig可以避免这个问题。

3：pig的应用场景

    最主要的就是数据清洗

4：pig的使用方式

    1：在pig(grunt)命令行下执行命令
    2：在shell命令下执行
        bin/pig -e "A = load ‘a.txt‘ as (id:int,name:chararray);dump A;"
    3：使用脚本来执行
        vi my.pig
        -- 单行注释
        /*
        多行注释
        */
        A = load ‘a.txt‘ as (id:int,name:chararray);
        dump A;
       
       
        执行命令
        bin/pig my.pig

5：pig里面的数据类型

    基本数据类型
    int、long、float、double、chararray、bytearray、boolean、datetime、biginteger、bigdecimal
    注意：chararray，表示字符串类型
   
    复合数据类型
    tuple、bag、map
    注意：
    tupe (1,2,3)
    bag     {(1,2,3),(1,2,3),(1,2,3)}
    map [key#value]

   
6：pig中的一些命令

load：加载数据
    A = load ‘a.txt‘ as (id:int,name:chararray)
    注意：as 后面指定的文件数据结构信息，这个表示会在当前目录下找a.txt文件，
        根据(id:int,name:chararray)对文件中的数据进行解析。这样需要确保文件中
        这两列数据中间是使用制表符分割的。
       
        如果加载的数据中多个列之间不是使用制表符分割的，那么在加载数据的时候
        就需要执行指定分割符了，例子中是使用逗号进行分割的。
        例子：A = load ‘a.txt‘ using PigStorage(",") as (id:int,name:chararray);
       
        A 和 = 之间必须有空格。建议命令之间都加上空格，这样看起来简洁，也不容易出错。

       
    describe：类似于sql中的查看表结构
   
    例子：describe A;
   
   
    group : 分组，类似于sql中的groupby
   
    例子：B = group A by id;
   
    foreach：对结果集中的数据进行迭代处理
    例子：C = foreach A generate id ,name;
        或者也可以使用$0类似的命令来获取结果集中的数据
        C = foreach A generate $0 ,$1;
       
       
    filter：过滤
    例子：D = filter A by id ==‘zs‘;
        常用的表达式：    ==
                        !=
                        >=
                        <=
                        >
                        <
   
    join：类似于sql中的表链接
    内链接：
        C = join A by id,B by id;
    外连接
        左外连接：C = join A by id left outer,B by id;
            在查询数据的时候，以左侧数据为基准，只返回左侧有的数据
        右外连接：C = join A by id right outer,B by id;
            在查询数据的时候，以右侧数据为基准，只返回右侧有的数据。
        全外连接：C = join A by id full outer,B by id;
            在查询数据的时候，两侧数据都可以返回。
   
   

 

7：pig的命令

    limit：类似于sql中的limit，可以获取数据集中的一部分数据
    例子：B = limit A 10;（取前10条数据）
    此种方式pig仍会读取所有数据，只是在返回的时候返回指定条数的数据
   
    order by：排序，类似于sql中的order by
    例子：B = order A by id;
        默认是正序，想到倒序的话需要在指定字段后面添加desc；
        order by后面可以指定多个分组字段。
        order A by id desc, name desc （对A中的数据进行排序，先根据ID进行倒序排列，如果ID相等，那么使用name字段进行倒序排序。）
   
    SPLIT：根据条件对数据集进行切分
    例子：split A into x1 if x>10 ,x2 if x==20 ,x3 if (x>1 and x<10);
   
    union：类似于sql中的union all
    例子：C = union A, B;
    一般情况下使用union操作的两个临时变量的数据结构都一样，
    如果不一样，可以分下面两种情况
        1：A 中id字段是float类型的，B中的id字段是double类型的，这样的话float可以转换成double，所以使用union之后生成的临时变量C中id就是double类型的。
        2：A 中id字段是float类型的，B中的id字段是chararray类型的，这样的话两种数据类型不能想换转换，所以执行会报错。

8：pig命令的注意事项

    1：所有命令都是以;结尾
    2：Pig对命令的大小写没有规定，可以使用大写，也可以小写，但是，针对pig中的函数就必须使用大写，因为这些函数在pig中定义的时候就是大写。
        针对PIG处理过程中的临时变量的名称，大小写也是有区分的。
    3：在pig中执行的命令其实并不会真正的执行，只有当执行dump或者store命令的时候才会真正指定之前定义的命令。
    4：如果某一条命令执行失败了，那么只需要修改这条命令，重新执行即可。

9：pig命令行的扩展

    fs：可以在pig中执行hdfs中的命令
    sh：可以在pig中执行shell命令(在0.8版本之后才有)
    clear：清屏
    exec：在pig命令行下执行pig脚本  例子：pig my.pig
    history：查看在pig命令行下执行的命令记录
    quit：退出pig命令行

10：pig中的内建函数

    avg：求平均数
        例子：B = group A by id;
            C = foreacg B generate group,AVG(score);
           
    SUM:求和
    MAX:求最大值
    MIN:求最小值
   
    上面这几个函数使用方法一样。
    注意：函数名称必须要大写。
   
    COUNT():求总数。
        1：先分组，再求和。和上面的用法一致。
        2：执行类似于select count(*) from table操作。
            这样的话也需要对table中的分组，因为是要求所有的数据总数，所以可以把所有数据分到一个组里面，
            使用B = group A all;（all相当于是一个关键字）
            再使用C = foreach B generate COUNT(A);
   

 

10：pig中自定义函数

    使用java代码自定义函数，需要创建一个类，集成evalFunc类，实现为实现的exec函数，在这里面就可以对数据进行处理。
    先添加maven依赖
    <dependency>
        <groupId>org.apache.pig</groupId>
        <artifactId>pig</artifactId>
        <version>0.14.0</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.6.0</version>
    </dependency>
       
   
    package pig;
    import java.io.IOException;
    import org.apache.pig.EvalFunc;
    import org.apache.pig.data.Tuple;
    public class UPPER extends EvalFunc<String> {
        @Override
        public String exec(Tuple input) throws IOException {
            if(input==null || input.size()==0 || input.get(0)==null){
                return null;
            }
            try {
                String str = (String)input.get(0);
                return str.toUpperCase();
            } catch (Exception e) {
                throw new IOException("转换大写失败 ", e);
            }
        }
    }
   
    代码实现完之后就需要打包了。
    在这打包的话不需要打依赖，直接在eclipse中右键export导出为一个jar即可。
   
    在把这个jar放到pig所在的服务器上，建议放在pig的根目录下面。
   
    后面想使用这个函数的时候，需要先把这个jar在pig中注册一下
    register myudf.jar
   
    下面就可以使用前面定义的函数了。
    例子：
    -- vi myscript.pig
    REGISTER myudfs.jar;
    A = LOAD ‘a.txt‘ AS (name: chararray, age: int);
    B = FOREACH A GENERATE pig.UPPER(name);
    DUMP B;

    pig -x local myscript.pig
   
   
11：实战一（wlan上网日志处理）

    1：先把数据上传到服务器上
    2：在pig中加载这些数据
    A = LOAD ‘HTTP_20130313143750.dat‘ AS (reportTime:long, msisdn:chararray, apmac:chararray, acmac:chararray, host:chararray, siteType:chararray, upPackNum:long, downPackNum:long, upPayLoad:long, downPayLoad:long, httpStatus:chararray);
    3：截取需要的数据
    B = FOREACH A GENERATE msisdn, upPackNum, downPackNum, upPayLoad, downPayLoad;
    4：对数据进行分组
    C = GROUP B BY msisdn;   
    5：对上行，下行数据进行统计
    D = FOREACH C GENERATE  group, SUM(B.upPackNum), SUM(B.downPackNum), SUM(B.upPayLoad), SUM(B.downPayLoad);
    6：存储清洗的结果
    STORE D INTO ‘wlan_result‘;

 

12：实战二（tomcat访问日志处理）

    统计PV和UV
    pv：其实就是统计文件中数据的总条数
    UV：其实就是统计文件中独立ip出现的次数
   
    1：把数据上传到服务器
    2：使用pig加载数据
    A = load ‘access_2015_03_30.log‘ USING PigStorage(‘ ‘) as (ip:chararray,one:chararray,two:chararray,time:chararray,timezone:chararray,method:chararray,url:chararray,http:chararray,statu:long,data:long);
    注意：这个日志文件中数据列之间是使用空格隔开的，所以在使用load的时候需要指定分隔符
    3：截取需要的数据
    B = foreach A generate  ip,url;
    4：统计PV
        1）对B中的数据进行分组，都分到一组，使用all关键字
        C = group B all;
        2）在使用count函数求和
        PV = foreach C generate COUNT(B);
    5：统计UV
        1）对B中的数据进行分组，使用ip作为分组字段，这样可以保证分组之后这个分组字段的值是不重复的。
        C = group B by ip;
        2）对分组之后的C中的数据进行处理，由于只需要统计独立IP,所以只需要获取分组字段即可
        D = foreach C generate group;
        3）对D中的数据再使用all关键字分组，分到一个all组里面
        E = group D all;
        4）使用count函数统计独立IP的总数
        UV = foreach E generate COUNT(D);
    6：把pv和uv整合到一块
        PV_UV = join PV by ‘1‘,UV by ‘1‘;
    7：还需要在PV和UV的数据里面加上时间字段
        END = foreach PV_UV generate ‘2013-05-30‘,$0,$1;
    8：把清洗的数据结果保存起来
        store END into ‘pv_uv‘;
   
   

13：pig扩展

    设置pig中mr任务的名称
    set job.name ‘my-job-name‘;
   
    建议在使用pig脚本的时候，在每个pig脚本的第一行指定上面参数，设置不同的任务名称。

原文：http://www.cnblogs.com/chaoren399/p/4776961.html