Apache Pig - 读取数据

一般来说，Apache Pig 运行在 Hadoop 之上。 它是一个分析工具，可以分析Hadoop FileS系统中存在的大型数据集。 要使用 Apache Pig 分析数据，我们必须首先将数据加载到 Apache Pig 中。 本章介绍如何将数据从 HDFS 加载到 Apache Pig。

准备 HDFS

在MapReduce模式下，Pig从HDFS读取（加载）数据并将结果存储回HDFS。 因此，让我们启动 HDFS 并在 HDFS 中创建以下示例数据。

上述数据集包含六名学生的个人详细信息，例如 ID、名字、姓氏、电话号码和城市。

第1步:验证 Hadoop

首先，使用Hadoop版本命令验证安装，如下所示。

$ hadoop version

如果您的系统包含 Hadoop，并且设置了 PATH 变量，那么您将得到以下输出 −

Hadoop 2.6.0 
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 
e3496499ecb8d220fba99dc5ed4c99c8f9e33bb1 
Compiled by jenkins on 2014-11-13T21:10Z 
Compiled with protoc 2.5.0 
From source with checksum 18e43357c8f927c0695f1e9522859d6a 
This command was run using /home/Hadoop/hadoop/share/hadoop/common/hadoop
common-2.6.0.jar

第2步:启动HDFS

浏览Hadoop的sbin目录并启动yarn和Hadoop dfs（分布式文件系统），如下所示。

cd /$Hadoop_Home/sbin/ 
$ start-dfs.sh 
localhost: starting namenode, logging to /home/Hadoop/hadoop/logs/hadoopHadoop-namenode-localhost.localdomain.out 
localhost: starting datanode, logging to /home/Hadoop/hadoop/logs/hadoopHadoop-datanode-localhost.localdomain.out 
Starting secondary namenodes [0.0.0.0] 
starting secondarynamenode, logging to /home/Hadoop/hadoop/logs/hadoop-Hadoopsecondarynamenode-localhost.localdomain.out
 
$ start-yarn.sh 
starting yarn daemons 
starting resourcemanager, logging to /home/Hadoop/hadoop/logs/yarn-Hadoopresourcemanager-localhost.localdomain.out 
localhost: starting nodemanager, logging to /home/Hadoop/hadoop/logs/yarnHadoop-nodemanager-localhost.localdomain.out

第3步:在HDFS中创建目录

在 Hadoop DFS 中，您可以使用命令 mkdir 创建目录。 在 HDFS 中在所需路径中创建一个名为 Pig_Data 的新目录，如下所示。

$cd /$Hadoop_Home/bin/ 
$ hdfs dfs -mkdir hdfs://localhost:9000/Pig_Data 

第4步:将数据放入HDFS

Pig 的输入文件包含单独行中的每个元组/记录。 记录的实体由分隔符分隔（在我们的示例中我们使用 ","）。

在本地文件系统中，创建一个包含数据的输入文件student_data.txt，如下所示。

001,Rajiv,Reddy,9848022337,Hyderabad
002,siddarth,Battacharya,9848022338,Kolkata
003,Rajesh,Khanna,9848022339,Delhi
004,Preethi,Agarwal,9848022330,Pune
005,Trupthi,Mohanthy,9848022336,Bhuwaneshwar
006,Archana,Mishra,9848022335,Chennai.

现在，使用 put 命令将文件从本地文件系统移动到 HDFS，如下所示。 （您也可以使用 copyFromLocal 命令。）

$ cd $HADOOP_HOME/bin 
$ hdfs dfs -put /home/Hadoop/Pig/Pig_Data/student_data.txt dfs://localhost:9000/pig_data/

验证文件

您可以使用cat命令来验证文件是否已移入HDFS，如下所示。

$ cd $HADOOP_HOME/bin
$ hdfs dfs -cat hdfs://localhost:9000/pig_data/student_data.txt

输出

您可以看到文件的内容，如下所示。

15/10/01 12:16:55 WARN util.NativeCodeLoader: Unable to load native-hadoop
library for your platform... using builtin-java classes where applicable
  
001,Rajiv,Reddy,9848022337,Hyderabad
002,siddarth,Battacharya,9848022338,Kolkata
003,Rajesh,Khanna,9848022339,Delhi
004,Preethi,Agarwal,9848022330,Pune
005,Trupthi,Mohanthy,9848022336,Bhuwaneshwar
006,Archana,Mishra,9848022335,Chennai

LOAD 运算符

您可以使用 Pig Latin 的 LOAD 运算符将数据从文件系统（HDFS/本地）加载到 Apache Pig 中。

语法

load 语句由两部分组成，由"="运算符分隔。在左侧，我们需要提及我们想要存储数据的关系的名称，在右侧，我们必须定义如何存储数据。 下面给出的是 Load 运算符的语法。

Relation_name = LOAD 'Input file path' USING function as schema;

其中,

• relation_name − 我们必须提到我们想要存储数据的关系。

• Input file path − 不得不提一下存储文件的HDFS目录。 （MapReduce模式下）

• function − 我们必须从 Apache Pig 提供的加载函数集中选择一个函数（BinStorage、JsonLoader、PigStorage、TextLoader）。

• Schema − 我们必须定义数据的模式。 我们可以如下定义所需的模式 −

(column1 : data type, column2 : data type, column3 : data type);

注意 − 我们加载数据而不指定模式。 在这种情况下，这些列将被寻址为 $01、$02 等……（检查）。

示例

作为示例，让我们使用 LOAD 命令在名为 Student 的 schema 下加载 Pig 中 student_data.txt 中的数据。< /p>

启动 Pig Grunt Shell

首先，打开Linux终端。 在 MapReduce 模式下启动 Pig Grunt shell，如下所示。

$ Pig –x mapreduce

它将启动 Pig Grunt shell，如下所示。

15/10/01 12:33:37 INFO pig.ExecTypeProvider: Trying ExecType : LOCAL
15/10/01 12:33:37 INFO pig.ExecTypeProvider: Trying ExecType : MAPREDUCE
15/10/01 12:33:37 INFO pig.ExecTypeProvider: Picked MAPREDUCE as the ExecType

2015-10-01 12:33:38,080 [main] INFO  org.apache.pig.Main - Apache Pig version 0.15.0 (r1682971) compiled Jun 01 2015, 11:44:35
2015-10-01 12:33:38,080 [main] INFO  org.apache.pig.Main - Logging error messages to: /home/Hadoop/pig_1443683018078.log
2015-10-01 12:33:38,242 [main] INFO  org.apache.pig.impl.util.Utils - Default bootup file /home/Hadoop/.pigbootup not found
  
2015-10-01 12:33:39,630 [main]
INFO org.apache.pig.backend.hadoop.executionengine.HExecutionEngine - Connecting to hadoop file system at: hdfs://localhost:9000
 
grunt>

执行Load语句

现在，通过在 Grunt shell 中执行以下 Pig Latin 语句，将文件 student_data.txt 中的数据加载到 Pig 中。

grunt> student = LOAD 'hdfs://localhost:9000/pig_data/student_data.txt' 
   USING PigStorage(',')
   as ( id:int, firstname:chararray, lastname:chararray, phone:chararray, 
   city:chararray );

以下是对上述语句的说明。

注意 − load 语句将简单地将数据加载到 Pig 中的指定关系中。 要验证 Load 语句的执行，您必须使用诊断运算符，这将在后续章节中讨论。