大数据之Hive之扩展项目Youtube案例

需求：

统计Youtube视频网站的常规指标，各种TopN指标：

--统计视频观看数Top10

--统计视频类别热度Top10

--统计视频观看数Top20所属类别包含这Top20视频的个数

--统计视频观看数Top50所关联视频的所属类别Rank

--统计每个类别中的视频热度Top10

--统计每个类别中视频流量Top10

--统计上传视频最多的用户Top10以及他们上传的视频

--统计每个类别视频观看数Top10

二、知识储备梳理

2.1、order by，sort by，distribute by，cluster by

背景表结构

在讲解中我们需要贯串一个 例子，所以需要设计一个情景，对应 还要有一个表结构和填充数据。如下：有3个字段，分别为personId标识某一个人，company标识一家公司名称，money标识该公司每年盈利收入（单位：万元人民币）

personId	company	money
p1	公司1	100
p2	公司2	200
p1	公司3	150
p3	公司4	300

建表导入数据：

create table company_info(     personId string,     company string,     money float )row format delimited fields terminated by "\t" load data local inpath “company_info.txt” into table company_info;

create table company_info(     personId string,     company string,     money float )row format delimited fields terminated by "\t" load data local inpath “company_info.txt” into table company_info;

2.1.1、order by

hive中的order by语句会对查询结果做一次全局排序，即，所有的mapper产生的结果都会交给一个reducer去处理，无论数据量大小，job任务只会启动一个reducer，如果数据量巨大，则会耗费大量的时间。

尖叫提示：如果在严格模式下，order by需要指定limit数据条数，不然数据量巨大的情况下会造成崩溃无输出结果。涉及属性：set hive.mapred.mode=nonstrict/strict

例如：按照money排序的例子

select * from company_info order by money desc;

2.1.2、sort by

hive中的sort by语句会对每一块局部数据进行局部排序，即，每一个reducer处理的数据都是有序的，但是不能保证全局有序。

2.1.3、distribute by

hive中的distribute by一般要和sort by一起使用，即将某一块数据归给(distribute by)某一个reducer处理，然后在指定的reducer中进行sort by排序。

尖叫提示：distribute by必须写在sort by之前

尖叫提示：涉及属性mapreduce.job.reduces，hive.exec.reducers.bytes.per.reducer

例如：不同的人（personId）分为不同的组，每组按照money排序。

select * from company_info distribute by personId sort by personId, money desc;

2.1.4、cluster by

hive中的cluster by在distribute by和sort by排序字段一致的情况下是等价的。同时，cluster by指定的列只能是降序，即默认的descend，而不能是ascend。

例如：写一个等价于distribute by 与sort by的例子

select * from company_info distribute by personId sort by personId; 等价于 select * from compnay_info cluster by personId;

 

2.2、行转列、列转行（UDAF与UDTF）

2.2.1、行转列

表结构：

name	constellation	blood_type
孙悟空	白羊座	A
唐唐	射手座	A
宋宋	白羊座	B
白骨精	白羊座	A
凤姐	射手座	A

创建表及数据导入：

create table person_info( name string, constellation string, blood_type string) row format delimited fields terminated by "\t"; load data local inpath “person_info.tsv” into table person_info;

例如：把星座和血型一样的人归类到一起

select     t1.base,     concat_ws('|', collect_set(t1.name)) name from     (select         name,         concat(constellation, ",", blood_type) base     from         person_info) t1 group by     t1.base;

2.2.2、列转行

表结构：

movie	category
《疑犯追踪》	悬疑,动作,科幻,剧情
《Lie to me》	悬疑,警匪,动作,心理,剧情
《战狼2》	战争,动作,灾难

创建表及导入数据：

create table movie_info(     movie string,     category array) row format delimited fields terminated by "\t" collection items terminated by ","; load data local inpath "movie_info.tsv" into table movie_info;

例如：将电影分类中的数组数据展开

select     movie,     category_name from     movie_info lateral view explode(category) table_tmp as category_name;

 

2.3、数组操作

“fields terminated by”：字段与字段之间的分隔符。

“collection items terminated by”：一个字段中各个子元素item的分隔符。

2.4、orc存储

orc即Optimized Row Columnar (ORC) file，在RCFile的基础上演化而来，可以提供一种高效的方法在Hive中存储数据，提升了读、写、处理数据的效率。

2.5、Hive分桶

Hive可以将表或者表的分区进一步组织成桶，以达到：

1、数据取样效率更高

2、数据处理效率更高

桶通过对指定列进行哈希来实现，将一个列名下的数据切分为“一组桶”，每个桶都对应了一个该列名下的一个存储文件。

2.5.1、直接分桶

开始操作之前，需要将hive.enforce.bucketing属性设置为true，以标识Hive可以识别桶。

create table music(     id int,     name string,     size float) row format delimited fields terminated by "\t" clustered by (id) into 4 buckets;

该代码的意思是将music表按照id将数据分成了4个桶，插入数据时，会对应4个 reduce操作，输出4个文件。

2.5.2、在分区中分桶

当数据量过大，需要庞大分区数量时，可以考虑桶，因为分区数量太大的情况可能会导致文件系统挂掉，而且桶比分区有更高的查询效率。数据最终落在哪一个桶里，取决于clustered by的那个列的值的hash数与桶的个数求余来决定。虽然有一定离散性，但不能保证每个桶中的数据量是一样的。

create table music2(     id int,     name string,     size float) partitioned by (date string) clustered by (id) sorted by(size) into 4 bucket row format delimited fields terminated by "\t";   load data local inpath 'demo/music.txt' into table music2 partition(date='2017-08-30');

三、项目

3.1、数据结构

3.1.1、视频表

 

字段	备注	详细描述
video id	视频唯一id	11位字符串
uploader	视频上传者	上传视频的用户名String
age	视频年龄	视频上传日期和2007年2月15日之间的整数天（Youtube的独特设定）
category	视频类别	上传视频指定的视频分类
length	视频长度	整形数字标识的视频长度
views	观看次数	视频被浏览的次数
rate	视频评分	满分5分
ratings	流量	视频的流量，整型数字
conments	评论数	一个视频的整数评论数
related ids	相关视频id	相关视频的id，最多20个

3.1.2、用户表

字段	备注	字段类型
uploader	上传者用户名	string
videos	上传视频数	int
friends	朋友数量	int

3.2原始数据存放地

HDFS目录：

视频数据集：/youtube/video/2008

用户数据集：/youtube/users/2008

3.3、技术选型

* Hadoop 2.7.2

* Hive 1.2.2

* Mysql 5.6

3.3.1、数据清洗

Hadoop MapReduce

3.3.2、数据分析

MapReduce or Hive

3.4、ETL原始数据

通过观察原始数据形式，可以发现，视频可以有多个所属分类，每个所属分类用&符号分割，且分割的两边有空格字符，同时相关视频也是可以有多个元素，多个相关视频又用“\t”进行分割。为了分析数据时方便对存在多个子元素的数据进行操作，我们首先进行数据重组清洗操作。即：将所有的类别用“&”分割，同时去掉两边空格，多个相关视频id也使用“&”进行分割。