hive面试题目：表大概有2T左右，对表数据转换

http://www.aboutyun.com/thread-7450-1-1.html

有一张很大的表：TRLOG

该表大概有2T左右

TRLOG：
CREATE TABLE TRLOG
(PLATFORM string,
USER_ID int,
CLICK_TIME string,
CLICK_URL string)
row format delimited
fields terminated by '\t';

数据：

PLATFORM        USER_ID        CLICK_TIME        CLICK_URL
WEB        12332321        2013-03-21 13:48:31.324        /home/
WEB        12332321        2013-03-21 13:48:32.954        /selectcat/er/
WEB        12332321        2013-03-21 13:48:46.365        /er/viewad/12.html
WEB        12332321        2013-03-21 13:48:53.651        /er/viewad/13.html
WEB        12332321        2013-03-21 13:49:13.435        /er/viewad/24.html
WEB        12332321        2013-03-21 13:49:35.876        /selectcat/che/
WEB        12332321        2013-03-21 13:49:56.398        /che/viewad/93.html
WEB        12332321        2013-03-21 13:50:03.143        /che/viewad/10.html
WEB        12332321        2013-03-21 13:50:34.265        /home/
WAP        32483923        2013-03-21 23:58:41.123        /m/home/
WAP        32483923        2013-03-21 23:59:16.123        /m/selectcat/fang/
WAP        32483923        2013-03-21 23:59:45.123        /m/fang/33.html
WAP        32483923        2013-03-22 00:00:23.984        /m/fang/54.html
WAP        32483923        2013-03-22 00:00:54.043        /m/selectcat/er/
WAP        32483923        2013-03-22 00:01:16.576        /m/er/49.html
……        ……        ……        ……

需要把上述数据处理为如下结构的表ALLOG：

CREATE TABLE ALLOG
(PLATFORM string,
USER_ID int,
SEQ int,
FROM_URL string,
TO_URL string)
row format delimited
fields terminated by '\t';

整理后的数据结构：

PLATFORM        USER_ID        SEQ        FROM_URL        TO_URL
WEB        12332321        1        NULL        /home/
WEB        12332321        2        /home/        /selectcat/er/
WEB        12332321        3        /selectcat/er/        /er/viewad/12.html
WEB        12332321        4        /er/viewad/12.html        /er/viewad/13.html
WEB        12332321        5        /er/viewad/13.html        /er/viewad/24.html
WEB        12332321        6        /er/viewad/24.html        /selectcat/che/
WEB        12332321        7        /selectcat/che/        /che/viewad/93.html
WEB        12332321        8        /che/viewad/93.html        /che/viewad/10.html
WEB        12332321        9        /che/viewad/10.html        /home/
WAP        32483923        1        NULL        /m/home/
WAP        32483923        2        /m/home/        /m/selectcat/fang/
WAP        32483923        3        /m/selectcat/fang/        /m/fang/33.html
WAP        32483923        4        /m/fang/33.html        /m/fang/54.html
WAP        32483923        5        /m/fang/54.html        /m/selectcat/er/
WAP        32483923        6        /m/selectcat/er/        /m/er/49.html
……        ……         ……        ……

PLATFORM和USER_ID还是代表平台和用户ID；SEQ字段代表用户按时间排序后的访问顺序，FROM_URL和TO_URL分别代表用户从哪一页跳转到哪一页。对于某个平台上某个用户的第一条访问记录，其FROM_URL是NULL（空值）。


面试官说需要用两种办法做出来：
1、实现一个能加速上述处理过程的Hive Generic UDF，并给出使用此UDF实现ETL过程的Hive SQL

2、实现基于纯Hive SQL的ETL过程，从TRLOG表生成ALLOG表；（结果是一套SQL）

给你个JAVA写的RowNumber方法

1. 
   
2. public class RowNumber extends org.apache.hadoop.hive.ql.exec.UDF {
   
3. 
   
4.         private static int MAX_VALUE = 50;
   
5.         private static String comparedColumn[] = new String[MAX_VALUE];
   
6.         private static int rowNum = 1;
   
7. 
   
8.         public int evaluate(Object... args) {
   
9.                 String columnValue[] = new String[args.length];
   
10.                 for (int i = 0; i < args.length; i++)
    
11.                         columnValue[i] = args[i].toString();
    
12.                 if (rowNum == 1)
    
13.                 {
    
14. 
    
15.                         for (int i = 0; i < columnValue.length; i++)
    
16.                                 comparedColumn[i] = columnValue[i];
    
17.                 }
    
18. 
    
19.                 for (int i = 0; i < columnValue.length; i++)
    
20.                 {
    
21. 
    
22.                         if (!comparedColumn[i].equals(columnValue[i]))
    
23.                         {
    
24.                                 for (int j = 0; j < columnValue.length; j++)
    
25.                                 {
    
26.                                         comparedColumn[j] = columnValue[j];
    
27.                                 }
    
28.                                 rowNum = 1;
    
29.                                 return rowNum++;
    
30.                         }
    
31.                 }
    
32.                 return rowNum++;
    
33.         }
    
34. }
    

复制代码

把这个JAVA打包，编译成JAR包，比如RowNumber.jar。这个你总会吧~~~
然后放到HIVE的机器上
在HIVE SHELL里执行下面两条语句：

1. add jar /root/RowNumber.jar; 
   
2. #把RowNumber.jar加载到HIVE的CLASSPATH中
   
3. create temporary function row_number as 'RowNumber';
   
4. #在HIVE里创建一个新函数，叫row_number ，引用的CLASS 就是JAVA代码里的RowNumber
   

复制代码

提示成功后，执行下面这条HIVE SQL

1. 
   
2. #INSERT OVERWRITE TABLE ALLOG 如果要写入ALLOG表，可以把注释去掉
   
3. SELECT t1.platform,t1.user_id,row_number(t1.user_id)seq,t2.click_url FROM_URL,t1.click_url TO_URL FROM
   
4. (select *,row_number(user_id)seq from trlog)t1
   
5. LEFT OUTER JOIN
   
6. (select *,row_number(user_id)seq from trlog)t2 
   
7. on t1.user_id = t2.user_id and t1.seq = t2.seq + 1;
   

复制代码

第一题中的RN貌似是HIVE转译SQL的BUG，你可以把外层的ROW_NUMBER去掉，用T1的SEQ，就能发现问题了。

第二题：

1. 
   
2. INSERT OVERWRITE TABLE ALLOG
   
3. SELECT t1.platform,t1.user_id,t1.seq,t2.click_url FROM_URL,t1.click_url TO_URL FROM
   
4. (SELECT platform,user_id,click_time,click_url,count(1) seq FROM (SELECT a.*,b.click_time click_time1,b.click_url click_url2  FROM trlog a left outer join trlog b on a.user_id = b.user_id)t WHERE click_time>=click_time1 GROUP BY platform,user_id,click_time,click_url)t1
   
5. LEFT OUTER JOIN
   
6. (SELECT platform,user_id,click_time,click_url,count(1) seq FROM (SELECT a.*,b.click_time click_time1,b.click_url click_url2  FROM trlog a left outer join trlog b on a.user_id = b.user_id)t WHERE click_time>=click_time1 GROUP BY platform,user_id,click_time,click_url )t2 
   
7. on t1.user_id = t2.user_id and t1.seq = t2.seq + 1;
   

复制代码