Hive基于SQL创建漏斗模型
总结
为了突出重点，总结就写在最前面了。从拿到需求开始，我们经历了以下步骤来完成工作：
- 需求分析
- 设计测试数据集及测试用例
- 数据清洗
- 需要实现
- 测试
其中数据清洗主要是做了两个工作：
- 去掉用户每一次访问中重复的页面记录，只保留每个页面的最后一次访问记录。
- 将用户访问记录进行合并，将所有访问过的页面和访问时间整合到1行当中。
实现的判断依据如下：
- 乱序漏斗：访问的页面数小于4，或者页面顺序不对。
- 顺序漏斗：访问的页面数等于4，且页面顺序严格对应。
- 顺序间隔漏斗：访问的页面数等于4，且页面顺序严格对应，且访问B页面的时间-访问A页面的时间超过2小时。
实现过程中主要使用了下面的函数：
- rank
- concat_ws
- collect_set
- split
- unix_timestamp
- 子查询
需求
概述
一般来说，客户会按照A->B->C->D的顺序来访问页面，而且越到后面的页面访问率就越低，比如A是网站首页，B是列表页，C是详情页，D是支付页，根据常识，很容易知道A页面的访问率是最高的而D则是最低的。
现在有一个需求：使用SQL语句来完成以下的工作：
- 找出乱序访问的用户访问记录，即不按照A->B->C->D的顺序访问的
- 找出顺序访问的用户访问记录，即严格按照A->B->C->D的顺序访问的
- 找出顺序的并符合间隔条件的用户访问记录，即严格按照A->B->C->D的顺序访问的，并且访问A后超过2小时再访问B的。
分析
这个需求表述的不是很清楚，我们再来明确一下各种情况应该怎么处理。
首先要完成这种数据漏斗，必须能够将一个用户的每次访问严格的界定开来，即有办法区分每个用户的每次访问都请求了哪些网址，这项工作显然不应该是我们这次的任务，故假定数据集符合该要求。
其次，还有一些特殊的情况的处理需要进一步明确：
- 如果一个用户在访问下一个页面之前多次访问上一个页面应该如何处理间隔？如A->A->B->C->D
- 如果一个用户按照顺序访问完后又重新访问某个页面应该如何处理？是算顺序还是逆序？如A->B->C->D->C
对于第1个问题，按照最后一次访问的时间为准；对于第2个问题，则约定其为乱序访问。
数据集及测试用例
我们并没有现成的数据集可以使用。为了说明问题，需要我们自己创建一个数据集用于测试。
表结构设计
为了说明问题方便，在不影响结论的情况下，应该让表结构尽可能的简单。必须的字段包括：
- session_id 用于界定每个用户的一次访问，在一次访问中的多个请求该字段相同
- url 请求链接地址
- req_time 访问页面的时间
测试数据
用等价类划分法来给一些测试数据。等价类大概划成下面这样：
基于这样的等价类划分，可以给出下面的测试数据集：
页面无缺失，顺序，超过间隔，无重复页面
session_id req_url req_time
s_01 a.html 2017-03-26 08:00:00
s_01 b.html 2017-03-26 10:01:00
s_01 c.html 2017-03-26 10:03:00
s_01 d.html 2017-03-26 10:04:00
页面无缺失，顺序，超过间隔，有重复页面
session_id req_url req_time
s_02 a.html 2017-03-26 08:00:00
s_02 a.html 2017-03-26 09:00:00
s_02 b.html 2017-03-26 11:01:00
s_02 c.html 2017-03-26 11:03:00
s_02 d.html 2017-03-26 11:04:00
页面无缺失，顺序，间隔不足，无重复页面
session_id req_url req_time
s_03 a.html 2017-03-26 08:00:00
s_03 b.html 2017-03-26 09:01:00
s_03 c.html 2017-03-26 09:03:00
s_03 d.html 2017-03-26 09:04:00
页面无缺失，顺序，间隔不足，有重复页面
session_id req_url req_time
s_04 a.html 2017-03-26 08:00:00
s_04 a.html 2017-03-26 09:00:00
s_04 b.html 2017-03-26 10:01:00
s_04 c.html 2017-03-26 10:03:00
s_04 d.html 2017-03-26 10:04:00
页面无缺失，顺序访问完后乱序，超过间隔，有重复页面
session_id req_url req_time
s_05 a.html 2017-03-26 08:00:00
s_05 b.html 2017-03-26 10:01:00
s_05 c.html 2017-03-26 10:03:00
s_05 d.html 2017-03-26 10:04:00
s_05 c.html 2017-03-26 11:04:00
页面无缺失，顺序访问完后乱序，间隔不足，有重复页面
session_id req_url req_time
s_06 a.html 2017-03-26 09:00:00
s_06 b.html 2017-03-26 10:01:00
s_06 c.html 2017-03-26 10:03:00
s_06 d.html 2017-03-26 10:04:00
s_06 c.html 2017-03-26 11:04:00
页面无缺失，其他乱序，超过间隔，有重复页面
session_id req_url req_time
s_07 a.html 2017-03-26 07:00:00
s_07 b.html 2017-03-26 10:01:00
s_07 c.html 2017-03-26 10:03:00
s_07 d.html 2017-03-26 10:04:00
s_07 c.html 2017-03-26 11:04:00
页面无缺失，其他乱序，超过间隔，无重复页面
session_id req_url req_time
s_08 a.html 2017-03-26 07:00:00
s_08 c.html 2017-03-26 10:01:00
s_08 b.html 2017-03-26 10:03:00
s_08 d.html 2017-03-26 10:04:00
页面无缺失，其他乱序，间隔不足，有重复页面
session_id req_url req_time
s_09 a.html 2017-03-26 09:00:00
s_09 b.html 2017-03-26 10:01:00
s_09 c.html 2017-03-26 10:03:00
s_09 d.html 2017-03-26 10:04:00
s_09 c.html 2017-03-26 11:04:00
页面无缺失，其他乱序，间隔不足，无重复页面
session_id req_url req_time
s_10 a.html 2017-03-26 09:00:00
s_10 c.html 2017-03-26 10:01:00
s_10 b.html 2017-03-26 10:03:00
s_10 d.html 2017-03-26 10:04:00
页面缺失，其他乱序，超过间隔，有重复页面
session_id req_url req_time
s_11 a.html 2017-03-26 07:00:00
s_11 b.html 2017-03-26 10:03:00
s_11 d.html 2017-03-26 10:04:00
s_11 d.html 2017-03-26 11:04:00
页面缺失，其他乱序，超过间隔，无重复页面
session_id req_url req_time
s_12 a.html 2017-03-26 07:00:00
s_12 b.html 2017-03-26 10:03:00
s_12 d.html 2017-03-26 10:04:00
页面缺失，其他乱序，间隔不足，有重复页面
session_id req_url req_time
s_13 a.html 2017-03-26 07:00:00
s_13 d.html 2017-03-26 10:04:00
s_13 d.html 2017-03-26 11:04:00
页面缺失，其他乱序，间隔不足，无重复页面
session_id req_url req_time
s_14 a.html 2017-03-26 07:00:00
s_14 d.html 2017-03-26 10:04:00
测试用例
有了数据集，我们就可以给出下面的测试用例：
| 数据漏斗 | 期望输出 | 实际输出 |
|---|---|---|
| 乱序漏斗 | s_05 s_06 s_07 s_08 s_09 s_10 s_11 s_12 s_13 s_14 |
|
| 顺序漏斗 | s_01 s_02 s_03 s_04 |
|
| 顺序间隔漏斗 | s_01 s_02 |
准备工作
完成了需求分析以及测试数据和测试用例的准备以后，我们就可以开始实现这几个数据漏斗了。
使用下面的命令在Hive中创建一个表，用于存放用户访问数据。
use test_db;
create table t_visitlog(session_id string,req_url string,req_time timestamp)
row format delimited
fields terminated by ',';
然后创建一个数据文件，visitlog.data，输入下面的内容：
s_01,a.html,2017-03-26 08:00:00
s_01,b.html,2017-03-26 10:01:00
s_01,c.html,2017-03-26 10:03:00
s_01,d.html,2017-03-26 10:04:00
s_02,a.html,2017-03-26 08:00:00
s_02,a.html,2017-03-26 09:00:00
s_02,b.html,2017-03-26 11:01:00
s_02,c.html,2017-03-26 11:03:00
s_02,d.html,2017-03-26 11:04:00
s_03,a.html,2017-03-26 08:00:00
s_03,b.html,2017-03-26 09:01:00
s_03,c.html,2017-03-26 09:03:00
s_03,d.html,2017-03-26 09:04:00
s_04,a.html,2017-03-26 08:00:00
s_04,a.html,2017-03-26 09:00:00
s_04,b.html,2017-03-26 10:01:00
s_04,c.html,2017-03-26 10:03:00
s_04,d.html,2017-03-26 10:04:00
s_05,a.html,2017-03-26 08:00:00
s_05,b.html,2017-03-26 10:01:00
s_05,c.html,2017-03-26 10:03:00
s_05,d.html,2017-03-26 10:04:00
s_05,c.html,2017-03-26 11:04:00
s_06,a.html,2017-03-26 09:00:00
s_06,b.html,2017-03-26 10:01:00
s_06,c.html,2017-03-26 10:03:00
s_06,d.html,2017-03-26 10:04:00
s_06,c.html,2017-03-26 11:04:00
s_07,a.html,2017-03-26 07:00:00
s_07,b.html,2017-03-26 10:01:00
s_07,c.html,2017-03-26 10:03:00
s_07,d.html,2017-03-26 10:04:00
s_07,c.html,2017-03-26 11:04:00
s_08,a.html,2017-03-26 07:00:00
s_08,c.html,2017-03-26 10:01:00
s_08,b.html,2017-03-26 10:03:00
s_08,d.html,2017-03-26 10:04:00
s_09,a.html,2017-03-26 09:00:00
s_09,b.html,2017-03-26 10:01:00
s_09,c.html,2017-03-26 10:03:00
s_09,d.html,2017-03-26 10:04:00
s_09,c.html,2017-03-26 11:04:00
s_10,a.html,2017-03-26 09:00:00
s_10,c.html,2017-03-26 10:01:00
s_10,b.html,2017-03-26 10:03:00
s_10,d.html,2017-03-26 10:04:00
s_11,a.html,2017-03-26 07:00:00
s_11,b.html,2017-03-26 10:03:00
s_11,d.html,2017-03-26 10:04:00
s_11,d.html,2017-03-26 11:04:00
s_12,a.html,2017-03-26 07:00:00
s_12,b.html,2017-03-26 10:03:00
s_12,d.html,2017-03-26 10:04:00
s_13,a.html,2017-03-26 07:00:00
s_13,d.html,2017-03-26 10:04:00
s_13,d.html,2017-03-26 11:04:00
s_14,a.html,2017-03-26 07:00:00
s_14,d.html,2017-03-26 10:04:00
然后使用下面的命令将其上传到hdfs中。
hadoop fs -put visitlog.data /user/hive/warehouse/test_db.db/t_visitlog/
然后使用下面的SQL语句检查是否上传成功：
select * from t_visitlog;
我这边是上传成功的。到这里我们就完成了准备工作。
数据清洗
接下来，我们要将数据进行一些处理，使得后面的工作更容易开展，主要工作包括：
- 去掉每一次访问中重复的页面记录，只保留每个页面的最后一次访问记录。
- 将用户访问记录进行合并，每个session_id对应一行记录。
去掉重复的页面记录
使用下面的SQL语句即可实现去掉每一次访问中重复的页面记录，同时只保留每个页面最后一次访问记录。
select session_id,req_url,req_time from(
select session_id,req_url,req_time,rank() over(partition by session_id,req_url order by req_time desc) as rank
from(
select session_id,req_url,req_time
from t_visitlog
distribute by session_id,req_url
sort by session_id,req_time desc
)a
)b
where rank = 1;
为了粘贴方便，这里就不缩进了。
为了方便后续的操作，我们使用下面的SQL语句将查询结果放到一个新的表t_vlog_norepeat中。
使用下面的命令来查看一下新创建的表的结构：
desc t_vlog_norepeat;
输出结果如下：
session_id string
req_url string
req_time timestamp
是符合我们要求的。
合并访问记录
使用下面的命令将访问记录保存到t_vlog_merge表中去。
create table t_vlog_merge as
select session_id,concat_ws(',',collect_set(vr)) as vtext
from(
select distinct session_id,concat_ws('_',cast(req_time as string),req_url) as vr
from (
select session_id,req_url,req_time from t_vlog_norepeat sort by session_id,req_time asc
)a
) temp
group by session_id;
结果如下：
s_01 2017-03-26 08:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:03:00_c.html,2017-03-26 10:04:00_d.html
s_02 2017-03-26 09:00:00_a.html,2017-03-26 11:01:00_b.html,2017-03-26 11:03:00_c.html,2017-03-26 11:04:00_d.html
s_03 2017-03-26 08:00:00_a.html,2017-03-26 09:01:00_b.html,2017-03-26 09:03:00_c.html,2017-03-26 09:04:00_d.html
s_04 2017-03-26 09:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:03:00_c.html,2017-03-26 10:04:00_d.html
s_05 2017-03-26 08:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:04:00_d.html,2017-03-26 11:04:00_c.html
s_06 2017-03-26 09:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:04:00_d.html,2017-03-26 11:04:00_c.html
s_07 2017-03-26 07:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:04:00_d.html,2017-03-26 11:04:00_c.html
s_08 2017-03-26 07:00:00_a.html,2017-03-26 10:01:00_c.html,2017-03-26 10:03:00_b.html,2017-03-26 10:04:00_d.html
s_09 2017-03-26 09:00:00_a.html,2017-03-26 10:01:00_b.html,2017-03-26 10:04:00_d.html,2017-03-26 11:04:00_c.html
s_10 2017-03-26 09:00:00_a.html,2017-03-26 10:01:00_c.html,2017-03-26 10:03:00_b.html,2017-03-26 10:04:00_d.html
s_11 2017-03-26 07:00:00_a.html,2017-03-26 10:03:00_b.html,2017-03-26 11:04:00_d.html
s_12 2017-03-26 07:00:00_a.html,2017-03-26 10:03:00_b.html,2017-03-26 10:04:00_d.html
s_13 2017-03-26 07:00:00_a.html,2017-03-26 11:04:00_d.html
s_14 2017-03-26 07:00:00_a.html,2017-03-26 10:04:00_d.html
实现
实现乱序漏斗
我们来分析一下乱序漏斗的几个特征，第1个是按照”,”分割后长度不为4，第2个就是按照”,”分割后页面顺序不对。
使用下面的代码即可实现乱序漏斗：
select session_id
from(
select session_id,vtext,split(vtext,',') as arr from t_vlog_merge
) temp
where size(arr) != 4 or split(arr[0],'_')[1] != 'a.html'
or split(arr[1],'_')[1] != 'b.html' or split(arr[2],'_')[1] != 'c.html'
or split(arr[3],'_')[1] != 'd.html';
输出结果为：
s_05
s_06
s_07
s_08
s_09
s_10
s_11
s_12
s_13
s_14
实现顺序漏斗
使用下面的代码即可实现顺序漏斗：
select session_id
from(
select session_id,vtext,split(vtext,',') as arr from t_vlog_merge
) temp
where size(arr) == 4 and split(arr[0],'_')[1] == 'a.html'
and split(arr[1],'_')[1] == 'b.html' and split(arr[2],'_')[1] == 'c.html'
and split(arr[3],'_')[1] == 'd.html';
输出结果：
s_01
s_02
s_03
s_04
实现顺序间隔漏斗
使用下面的代码可以实现顺序间隔漏斗（访问A页面2小时以后访问B）：
select session_id
from(
select session_id,vtext,split(vtext,',') as arr from t_vlog_merge
) temp
where size(arr) == 4 and split(arr[0],'_')[1] == 'a.html'
and split(arr[1],'_')[1] == 'b.html' and split(arr[2],'_')[1] == 'c.html'
and split(arr[3],'_')[1] == 'd.html'
and unix_timestamp(split(arr[1],'_')[0]) - unix_timestamp(split(arr[0],'_')[0]) > 7200;
输出结果：
s_01
s_02
测试
上面已经测试过了，测试结果如下：
| 数据漏斗 | 期望输出 | 实际输出 |
|---|---|---|
| 乱序漏斗 | s_05 s_06 s_07 s_08 s_09 s_10 s_11 s_12 s_13 s_14 |
s_05 s_06 s_07 s_08 s_09 s_10 s_11 s_12 s_13 s_14 |
| 顺序漏斗 | s_01 s_02 s_03 s_04 |
s_01 s_02 s_03 s_04 |
| 顺序间隔漏斗 | s_01 s_02 |
s_01 s_02 |
参考资料
http://blog.csdn.net/suiyingli39/article/details/53319704
http://blog.csdn.net/hua245942641/article/details/50298989
http://blog.csdn.net/liyantianmin/article/details/48262109
http://blog.csdn.net/mtj66/article/details/52629876
https://yq.aliyun.com/articles/25890