Talend - 与 Pig 一起工作

---

在本章中，让我们学习如何在 Talend 中使用 Pig 作业。

创建 Talend Pig 作业

在本节中，我们将学习如何在 Talend 上运行 Pig 作业。在这里，我们将处理 NYSE 数据以找出 IBM 的平均库存量。

为此，右键单击“作业设计”并创建一个新作业 - Pigjob。提及作业的详细信息并单击“完成”。

向 Pig Job 添加组件

要将组件添加到 Pig 作业，请将四个 Talend 组件：tPigLoad、tPigFilterRow、tPigAggregate、tPigStoreResult 从托盘拖放到设计器窗口。

然后，右键单击 tPigLoad 并创建 Pig 组合线到 tPigFilterRow。接下来，右键单击 tPigFilterRow 并创建 Pig 组合线到 tPigAggregate。右键单击 tPigAggregate 并创建 Pig 组合线到 tPigStoreResult。

配置组件和转换

在 tPigLoad 中，提及 cloudera 的发行版以及 cloudera 的版本。请注意，Namenode URI 应为“hdfs://quickstart.cloudera:8020”，资源管理器应为“quickstart.cloudera:8020”。另外，用户名应该是“cloudera”。

在输入文件 URI 中，将 NYSE 输入文件的路径提供给 Pig 作业。请注意，此输入文件应存在于 HDFS 上。

单击编辑架构，添加列及其类型，如下所示。

在 tPigFilterRow 中，选择“使用高级过滤器”选项并将“stock_symbol = = 'IBM'”放入过滤器选项中。

在 tAggregateRow 中，单击编辑架构并在输出中添加 avg_stock_volume 列，如下所示。

现在，将 stock_exchange 列放入 Group by 选项中。在操作字段中添加 avg_stock_volume 列，并使用 count 函数和 stock_exchange 作为输入列。

在 tPigStoreResult 中，在结果文件夹 URI 中给出要存储 Pig 作业结果的输出路径。选择存储函数为 PigStorage，字段分隔符（非强制）为“\t”。

执行养猪工作

现在单击“运行”来执行 Pig 作业。（忽略警告）

作业完成后，前往您提到的用于存储 Pig 作业结果的 HDFS 路径检查输出。IBM 的平均库存量为 500 件。