Hive实战之视频网站指标分析

文章目录

  • 一、需求
  • 二、数据结构
    • 2.1、视频表
    • 2.2、用户表
    • 2.3、[测试数据](https://download.csdn.net/download/wuxintdrh/12679888)
  • 三、准备工作
    • 3.1、创建表
      • 3.1.1、chbvideo_ori
      • 3.1.2、chbvideo_user_ori
      • 3.1.3、导入数据
      • 3.1.4、导入到orc表中
  • 四、业务分析
    • 4.1、统计视频观看数Top10
    • 4.2、统计视频类别热度Top10
    • 4.3、统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数
    • 4.4、统计视频观看数Top50所关联视频的所属类别Rank
      • 4.4.1、查询出观看数最多的前50个视频的所有信息(当然包含了每个视频对应的关联视频),记为临时表t1
      • 4.4.2、将找到的50条视频信息的相关视频relatedId列转行,记为临时表t2
      • 4.4.3、将相关视频的id和chbvideo_orc表进行inner join操作
      • 4.4.4、按照视频类别进行分组,统计每组视频个数,然后排行
    • 4.5、统计每个类别中的视频热度Top10,以Music为例
      • 4.5.1、思路:
      • 4.5.2、创建表类别表:
      • 4.5.3、向类别表中插入数据:
      • 4.5.4、统计Music类别的Top10(也可以统计其他)
    • 4.6、统计每个类别中视频流量Top10,以Music为例
    • 4.7、统计上传视频最多的用户Top10以及他们上传的观看次数在前20的视频
      • 4.7.1、先找到上传视频最多的10个用户的用户信息
      • 4.7.2、通过uploader字段与chbvideo_orc表进行join,得到的信息按照views观看次数进行排序即可。
    • 4.8、统计每个类别视频观看数Top10

一、需求

需求描述
统计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
  • 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、数据结构

2.1、视频表

Hive实战之视频网站指标分析_第1张图片

2.2、用户表

Hive实战之视频网站指标分析_第2张图片

2.3、测试数据

三、准备工作

3.1、创建表

创建表:chbvideo_ori,chbvideo_user_ori,
创建表:chbvideo_orc,chbvideo_user_orc

3.1.1、chbvideo_ori

create table chbvideo_ori(
    videoId string, 
    uploader string, 
    age int, 
    category array<string>, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int,
    relatedId array<string>)
row format delimited 
fields terminated by "\t"
collection items terminated by "&"
stored as textfile;

3.1.2、chbvideo_user_ori

create table chbvideo_user_ori(
    uploader string,
    videos int,
    friends int)
row format delimited 
fields terminated by "\t" 
stored as textfile;

3.1.3、导入数据

load data inpath '/tmp/hivetest/chbVideoOut/video/2008/0222' overwrite into table chbvideo_ori;
load data local inpath '/uardata1/hivetest/chbVideo/user/2008/0903' into table chbvideo_user_ori;

3.1.4、导入到orc表中

create table chbvideo_orc(
    videoId string, 
    uploader string, 
    age int, 
    category array<string>, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int,
    relatedId array<string>)
clustered by (uploader) into 8 buckets 
row format delimited fields terminated by "\t" 
collection items terminated by "&" 
stored as orc;


create table chbvideo_user_orc(
    uploader string,
    videos int,
    friends int)
row format delimited 
fields terminated by "\t" 
stored as orc;



# 导入到表中
chbvideo_orc:
insert into table chbvideo_orc select * from chbvideo_ori;

chbvideo_user_orc:
insert into table chbvideo_user_orc select * from chbvideo_user_ori;

四、业务分析

4.1、统计视频观看数Top10

思路:使用order by按照views字段做一个全局排序即可,同时我们设置只显示前10条。
select 
    videoId, 
    uploader, 
    age, 
    category, 
    length, 
    views, 
    rate, 
    ratings, 
    comments 
from chbvideo_orc 
order by views desc 
limit 10;

4.2、统计视频类别热度Top10

思路:

  • 1、即统计每个类别有多少个视频,显示出包含视频最多的前10个类别。
  • 2、我们需要按照类别group by聚合,然后count组内的videoId个数即可。
  • 3、因为当前表结构为:一个视频对应一个或多个类别。所以如果要group by类别,需要先将类别进行列转行(展开),然后再进行count即可。
  • 4)、最后按照热度排序,显示前10条。
select 
    category_name as category, 
    count(t1.videoId) as hot 
from (
    select 
        videoId,
        category_name 
    from 
        chbvideo_orc lateral view explode(category) t_catetory as category_name) t1 
group by t1.category_name 
order by hot desc 
limit 10;

4.3、统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数

思路:

  • 1、 先找到观看数最高的20个视频所属条目的所有信息,降序排列
  • 2、把这20条信息中的category分裂出来(列转行)
  • 3、 最后查询视频分类名称和该分类下有多少个Top20的视频
select 
    category_name as category, 
    count(t2.videoId) as hot_with_views 
from (
    select 
        videoId, 
        category_name 
    from (
        select 
            * 
        from 
            chbvideo_orc 
        order by views desc 
        limit 20
    ) t1 lateral view explode(category) t_catetory as category_name) t2 
group by category_name 
order by hot_with_views desc;

4.4、统计视频观看数Top50所关联视频的所属类别Rank

思路

4.4.1、查询出观看数最多的前50个视频的所有信息(当然包含了每个视频对应的关联视频),记为临时表t1

t1:观看数前50的视频

select 
    * 
from 
    chbvideo_orc 
order by views desc 
limit 50;

4.4.2、将找到的50条视频信息的相关视频relatedId列转行,记为临时表t2

t2:将相关视频的id进行列转行操作
select 
    explode(relatedId) as videoId 
from 
	t1;

4.4.3、将相关视频的id和chbvideo_orc表进行inner join操作

t5:得到两列数据,一列是category,一列是之前查询出来的相关视频id

 (select 
    distinct(t2.videoId), 
    t3.category 
from 
    t2
inner join 
    chbvideo_orc t3 on t2.videoId = t3.videoId) t4 lateral view explode(category) t_catetory as category_name;

4.4.4、按照视频类别进行分组,统计每组视频个数,然后排行

select 
    category_name as category, 
    count(t5.videoId) as hot 
from (
    select 
        videoId, 
        category_name 
    from (
        select 
            distinct(t2.videoId), 
            t3.category 
        from (
            select 
                explode(relatedId) as videoId 
            from (
                select 
                    * 
                from 
                    chbvideo_orc 
                order by views desc 
                limit 50
            ) t1
        ) t2 
        inner join 
            chbvideo_orc t3 on t2.videoId = t3.videoId) t4 lateral view explode(category) t_catetory as category_name) t5
group by category_name 
order by hot desc;

4.5、统计每个类别中的视频热度Top10,以Music为例

4.5.1、思路:

  1. 要想统计Music类别中的视频热度Top10,需要先找到Music类别,那么就需要将category展开,所以可以创建一张表用于存放categoryId展开的数据。
  2. 向category展开的表中插入数据。
  3. 统计对应类别(Music)中的视频热度。

4.5.2、创建表类别表:

create table chbvideo_category(
    videoId string, 
    uploader string, 
    age int, 
    categoryId string, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int, 
    relatedId array<string>)
row format delimited 
fields terminated by "\t" 
collection items terminated by "&" 
stored as orc;

4.5.3、向类别表中插入数据:

insert into table chbvideo_category
select
videoId,
uploader,
age,
categoryId,
length,
views,
rate,
ratings,
comments,
relatedId
from
chbvideo_orc lateral view explode(category) catetory as categoryId;

4.5.4、统计Music类别的Top10(也可以统计其他)

select 
    videoId, 
    views
from 
    chbvideo_category 
where 
    categoryId = "Music" 
order by views desc 
limit 10;

4.6、统计每个类别中视频流量Top10,以Music为例

思路:

  • 1、创建视频类别展开表(categoryId列转行后的表)
  • 2、按照ratings排序即可
select 
    videoId,
    views,
    ratings 
from 
    chbvideo_category 
where 
    categoryId = "Music" 
order by ratings desc 
limit 10;

4.7、统计上传视频最多的用户Top10以及他们上传的观看次数在前20的视频

思路:

4.7.1、先找到上传视频最多的10个用户的用户信息

select 
    * 
from 
    chbvideo_user_orc 
order by videos desc 
limit 10;

4.7.2、通过uploader字段与chbvideo_orc表进行join,得到的信息按照views观看次数进行排序即可。

select 
    t2.videoId, 
    t2.views,
    t2.ratings,
    t1.videos,
    t1.friends 
from (
    select 
        * 
    from 
        chbvideo_user_orc 
    order by videos desc 
    limit 10
) t1 
join 
    chbvideo_orc t2
on 
    t1.uploader = t2.uploader 
order by views desc 
limit 20;

4.8、统计每个类别视频观看数Top10

思路:

  • 先得到categoryId展开的表数据
  • 子查询按照categoryId进行分区,然后分区内排序,并生成递增数字,该递增数字这一列起名为rank列
  • 通过子查询产生的临时表,查询rank值小于等于10的数据行即可。
select 
    t1.* 
from (
    select 
        videoId,
        categoryId,
        views,
        row_number() over(partition by categoryId order by views desc) rank from chbvideo_category) t1 
where 
    rank <= 10;

你可能感兴趣的:(#,hive)