本地模式下的猪与没有 hadoop.jar 的猪之间的区别答案

【问题标题】：Diffence between Pig on local mode vs pig-withouthadoop.jar本地模式下的猪与没有 hadoop.jar 的猪之间的区别
【发布时间】：2015-03-30 16:23:08
【问题描述】：

我想知道，如果我在本地模式下使用 pig（内部调用 Map reduce）与使用 PIG-withouthadoop.jar 文件相比，性能增益或损失是多少？

PIG-withouthadoop.jar真的不用hadoop吗？？？

如果我只想在没有集群的情况下使用 Pig，比如设计数据流，那么我应该使用什么？本地模式下的 Pig 或 pig-withouthadoop.jar 文件？？

目前我已经使用 pig 本地模式编写了我的脚本，并且在尝试在服务器中部署并在本地模式下设置 PIG 时，我认为在设置 PIG_HOME 变量之前我还需要在环境变量中设置 HADOOP_HOME

请多多指教..

提前致谢。 :)

【问题讨论】：

已经等待了很长时间..请提供任何想法或分享一些关于这个问题的信息..问候.. :)
我知道如果我在位于 $PIG_HOME/bin 的 pig 文件中添加 HADOOP_BIN=，那么我不需要再设置 hadoop_home，所以这里发生了什么......它那不需要hadoop了？？

标签： hadoop mapreduce apache-pig bigdata dataflow

【解决方案1】：

让我按顺序回答你的问题：

1) 当我们谈论性能时，如果我们假设文件大小和 Pig 脚本是恒定的，同时在本地模式和 Hadoop 模式下运行。然后，在本地模式下处理肯定会更快，因为所有任务都在单个 JVM 中执行，但在 Hadoop 模式下，输入文件将被传送到数据节点，然后 Pig 脚本或 UDF 也会得到传送到集群。这将需要更多时间，尽管在这两种情况下，pig 脚本和 UDF 都将在内部转换为 map 和 reduce 任务，并且在这两种情况下构建的 map 和 reduce 类的数量总是相同的。我们可以使用 EXPLAIN 命令检查这一点。

2) 不，Pig 内部包含一组 Hadoop jar。因此，如果您还没有使用 start-all.sh 命令启动 Hadoop，则 pig 将使用内部 Hadoop 捆绑 jar 来工作。现在，有趣的是，如果你已经安装了 hadoop，然后在没有启动 Hadoop 的情况下使用 pig，那么有时它会因为 Hadoop 版本不匹配而无法工作。所以为了安全起见，明确地启动 Hadoop。所以，Pig 总是使用 Hadoop。 :)

3) 如果文件大小较小，请始终使用 Hadoop 本地模式。如前所述，Pig 默认带有 Hadoop jars。

4) 是的，如果您明确使用 Hadoop，则需要设置此项。

【讨论】：

【解决方案2】：

Local 模式实际上是在一个 JVM 中运行 Pig、HDFS 和 MR1（或 YARN+MR2）。

比较 local 与 cluster 模式的性能差异并不重要。本地模式通常用于测试或运行可以在 1 个节点上工作的小型 MR 作业。

关于 pig-withouthadoop.jar，我可以看到 jar 的名称如何解释为 Pig 不会使用 Hadoop。但事实并非如此。

Pig 打包两个与执行相关的 jar：

pig.jar，这是一个“超级 jar”，还包括所有 hadoop 和 mapreduce jar。你可以把那个 jar 放在一个还没有安装 hadoop 的盒子上，然后运行 pig（在设置正确的配置和环境之后）。
但大多数集群已经安装和配置了 hadoop。在这种情况下，您使用 pig-withouthadoop.jar。出于显而易见的原因，这个罐子的大小只有 uber 罐子的一半。

您需要确保 hadoop 配置 hdfs-site.xml、mapred-site.xml 等在标准位置 (/etc/hadoop/conf/ > 通常）让 Pig 工作。

【讨论】：