HIVE综合练习-SQL练习之影评案例
一、案例说明
现有如此三份数据：
1、users.dat 数据格式为： 2::M::56::16::70072，
共有6040条数据
对应字段为：UserID BigInt, Gender String, Age Int, Occupation String, Zipcode String
对应字段中文解释：用户id，性别，年龄，职业，邮政编码
2、movies.dat 数据格式为： 2::Jumanji (1995)::Adventure|Children’s|Fantasy，
共有3883条数据
对应字段为：MovieID BigInt, Title String, Genres String
对应字段中文解释：电影ID，电影名字，电影类型
3、ratings.dat 数据格式为： 1::1193::5::978300760，
共有1000209条数据
对应字段为：UserID BigInt, MovieID BigInt, Rating Double, Timestamped String
对应字段中文解释：用户ID，电影ID，评分，评分时间戳
题目要求
数据要求：
（1）写shell脚本清洗数据。（hive不支持解析多字节的分隔符，也就是说hive只能解析’:’, 不支持解析’::’，所以用普通方式建表来使用是行不通的，要求对数据做一次简单清洗）
（2）使用Hive能解析的方式进行
Hive要求：
（1）正确建表，导入数据（三张表，三份数据），并验证是否正确
（2）求被评分次数最多的10部电影，并给出评分次数（电影名，评分次数）
（3）分别求男性，女性当中评分最高的10部电影（性别，电影名，影评分）
（4）求movieid = 2116这部电影各年龄段（因为年龄就只有7个，就按这个7个分就好了）的平均影评（年龄段，影评分）
（5）求最喜欢看电影（影评次数最多）的那位女性评最高分的10部电影的平均影评分（观影者，电影名，影评分）
（6）求好片（评分>=4.0）最多的那个年份的最好看的10部电影
（7）求1997年上映的电影中，评分最高的10部Comedy类电影
（8）该影评库中各种类型电影中评价最高的5部电影（类型，电影名，平均影评分）
（9）各年评分最高的电影类型（年份，类型，影评分）
（10）每个地区最高评分的电影名，把结果存入HDFS（地区，电影名，影评分）
二、数据准备
链接：点击下载
提取码：0dep
三、创建数据库movie
在movie数据库中创建3张表，t_user，t_movie，t_rating
原始数据是以::进行切分的，所以需要使用能解析多字节分隔符的Serde即可
使用RegexSerde
需要两个参数：
input.regex = "(.*)::(.*)::(.*)"
output.format.string = "%1$s %2$s%3$s"
（2）创建数据库
drop database if exists movie;
create database if not exists movie;
use movie;
（3）创建t_user表
create table t_user(
userid bigint,
sex string,
age int,
occupation string,
zipcode string)
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe'
with serdeproperties('input.regex'='(.*)::(.*)::(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s %4$s %5$s')
stored as textfile;
（4）创建t_movie表
use movie;
create table t_movie(
movieid bigint,
moviename string,
movietype string)
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe'
with serdeproperties('input.regex'='(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s')
stored as textfile;
（5）创建t_rating表
use movie;
create table t_rating(
userid bigint,
movieid bigint,
rate double,
times string)
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe'
with serdeproperties('input.regex'='(.*)::(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s %4$s')
stored as textfile;
（6）导入数据
##load data local inpath "/home/hadoop/movie/users.dat" into table t_user;
No rows affected (0.928 seconds)
##load data local inpath "/home/hadoop/movie/movies.dat" into table t_movie;
No rows affected (0.538 seconds)
##load data local inpath "/home/hadoop/movie/ratings.dat" into table t_rating;
No rows affected (0.963 seconds)
（7）验证
select t.* from t_user t;
求被评分次数最多的10部电影，并给出评分次数（电影名，评分次数）
（1）思路分析：
1、需求字段：电影名 t_movie.moviename
评分次数 t_rating.rate count()
2、核心SQL：按照电影名进行分组统计，求出每部电影的评分次数并按照评分次数降序排序
（2）完整SQL：
create table answer2 as
select a.moviename as moviename,count(a.moviename) as total
from t_movie a join t_rating b on a.movieid=b.movieid
group by a.moviename
order by total desc
limit 10;
select * from answer2;
分别求男性，女性当中评分最高的10部电影（性别，电影名，影评分）
（1）分析思路：
- 1、需求字段：性别t_user.sex #电影名 t_movie.moviename #影评分 t_rating.rate
- 2、核心SQL：三表联合查询，按照性别过滤条件，电影名作为分组条件，影评分作为排序条件进行查询
（2）完整SQL：
女性当中评分最高的10部电影（性别，电影名，影评分）评论次数大于等于50次
create table answer3_F as
select "F" as sex, c.moviename as name, avg(a.rate) as avgrate, count(c.moviename) as total
from t_rating a
join t_user b on a.userid=b.userid
join t_movie c on a.movieid=c.movieid
where b.sex="F"
group by c.moviename
having total >= 50
order by avgrate desc
limit 10;
男性当中评分最高的10部电影（性别，电影名，影评分）评论次数大于等于50次
create table answer3_M as
select "M" as sex, c.moviename as name, avg(a.rate) as avgrate, count(c.moviename) as total
from t_rating a
join t_user b on a.userid=b.userid
join t_movie c on a.movieid=c.movieid
where b.sex="M"
group by c.moviename
having total >= 50
order by avgrate desc
limit 10;
求movieid = 2116这部电影各年龄段（因为年龄就只有7个，就按这个7个分就好了）的平均影评（年龄段，影评分）
（1）分析思路：
- 1、需求字段：年龄段t_user.age #影评分 t_rating.rate
- 2、核心SQL：t_user和t_rating表进行联合查询，用movieid=2116作为过滤条件，用年龄段作为分组条件
（2）完整SQL：
create table answer4 as
select a.age as age, avg(b.rate) as avgrate
from t_user a join t_rating b on a.userid=b.userid
where b.movieid=2116
group by a.age;
select * from answer4;
求最喜欢看电影（影评次数最多）的那位女性评最高分的10部电影的平均影评分（观影者，电影名，影评分）
（1）分析思路：
1、需求字段：
- 观影者 t_rating.userid
- 电影名 t_movie.moviename
- 影评分 t_rating.rate
2、核心SQL：
A.
- 需要先求出最喜欢看电影的那位女性
- 需要查询的字段：性别：t_user.sex
- 观影次数：count(t_rating.userid)
B.
- 根据A中求出的女性userid作为where过滤条件，以看过的电影的影评分rate作为排序条件进行排序，求出评分最高的10部电影
- 需要查询的字段：电影的ID：t_rating.movieid
C.
- 求出B中10部电影的平均影评分
- 需要查询的字段：电影的ID：answer5_B.movieid
- 影评分：t_rating.rate
（2）完整SQL：
A.需要先求出最喜欢看电影的那位女性
select a.userid, count(a.userid) as total
from t_rating a join t_user b on a.userid = b.userid
where b.sex="F"
group by a.userid
order by total desc
limit 1;
B。根据A中求出的女性userid作为where过滤条件，以看过的电影的影评分rate作为排序条件进行排序，求出评分最高的10部电影
create table answer5_B as
select a.movieid as movieid, a.rate as rate
from t_rating a
where a.userid=1150
order by rate desc
limit 10;
select * from answer5_B;
C. 求出B中10部电影的平均影评分
create table answer5_C as
select b.movieid as movieid, c.moviename as moviename, avg(b.rate) as avgrate
from answer5_B a
join t_rating b on a.movieid=b.movieid
join t_movie c on b.movieid=c.movieid
group by b.movieid,c.moviename;
select * from answer5_C;
求好片（评分>=4.0）最多的那个年份的最好看的10部电影
（1）分析思路：
1、需求字段：电影id t_rating.movieid
电影名 t_movie.moviename（包含年份）
影评分 t_rating.rate
上映年份 xxx.years
2、核心SQL：
A.
- 需要将t_rating和t_movie表进行联合查询，将电影名当中的上映年份截取出来，保存到临时表answer6_A中
- 需要查询的字段：
- 电影id t_rating.movieid
- 电影名 t_movie.moviename（包含年份）
- 影评分 t_rating.rate
B.
- 从answer6_A按照年份进行分组条件，按照评分>=4.0作为where过滤条件，按照count(years)作为排序条件进行查询
- 需要查询的字段：电影的ID：answer6_A.years
C.
- 从answer6_A按照years=1998作为where过滤条件，按照评分作为排序条件进行查询
- 需要查询的字段：电影的ID：answer6_A.moviename
- 影评分：answer6_A.avgrate
（2）完整SQL：
A. 需要将t_rating和t_movie表进行联合查询，将电影名当中的上映年份截取出来
create table answer6_A as
select a.movieid as movieid, a.moviename as moviename, substr(a.moviename,-5,4) as years, avg(b.rate) as avgrate
from t_movie a join t_rating b on a.movieid=b.movieid
group by a.movieid, a.moviename;
select * from answer6_A;
B. 从answer6_A按照年份进行分组条件，按照评分>=4.0作为where过滤条件，按照count(years)作为排序条件进行查询
select years, count(years) as total
from answer6_A a
where avgrate >= 4.0
group by years
order by total desc
limit 1;
C.从answer6_A按照years=1998作为where过滤条件，按照评分作为排序条件进行查询
create table answer6_C as
select a.moviename as name, a.avgrate as rate
from answer6_A a
where a.years=1998
order by rate desc
limit 10;
select * from answer6_C;
求1997年上映的电影中，评分最高的10部Comedy类电影
（1）分析思路：
1、需求字段：
- 电影id t_rating.movieid
- 电影名 t_movie.moviename（包含年份）
- 影评分 t_rating.rate
- 上映年份 xxx.years（最终查询结果可不显示）
- 电影类型 xxx.type（最终查询结果可不显示）
2、核心SQL：
A.
- 需要电影类型，所有可以将第六步中求出answer6_A表和t_movie表进行联合查询
- 需要查询的字段：电影id answer6_A.movieid
- 电影名 answer6_A.moviename
- 影评分 answer6_A.rate
- 电影类型 t_movie.movietype
- 上映年份 answer6_A.years
B.
- 从answer7_A按照电影类型中是否包含Comedy和按上映年份作为where过滤条件，按照评分作为排序条件进行查询，将结果保存到answer7_B中
- 需要查询的字段：电影的ID：answer7_A.id
- 电影的名称：answer7_A.name
- 电影的评分：answer7_A.rate
（2）完整SQL：
A.需要电影类型，所有可以将第六步中求出answer6_A表和t_movie表进行联合查询
create table answer7_A as
select b.movieid as id, b.moviename as name, b.years as years, b.avgrate as rate, a.movietype as type
from t_movie a join answer6_A b on a.movieid=b.movieid;
select t.* from answer7_A t;
B、从answer7_A按照电影类型中是否包含Comedy和按照评分>=4.0作为where过滤条件，按照评分作为排序条件进行查询，将结果保存到answer7_B中
create table answer7_B as
select t.id as id, t.name as name, t.rate as rate
from answer7_A t
where t.years=1997 and instr(lcase(t.type),'comedy') >0
order by rate desc
limit 10;
select * from answer7_B;
该影评库中各种类型电影中评价最高的5部电影（类型，电影名，平均影评分）
（1）分析思路：
- 需求字段：电影id movieid
- 电影名 moviename
- 影评分 rate（排序条件）
- 电影类型 type（分组条件）
2、核心SQL：
A.
- 需要电影类型，所有需要将answer7_A中的type字段进行裂变，将结果保存到answer8_A中
- 需要查询的字段：电影id answer7_A.id
- 电影名 answer7_A.name（包含年份）
- 上映年份 answer7_A.years
- 影评分 answer7_A.rate
- 电影类型 answer7_A.movietype
B.
- 求TopN，按照type分组，需要添加一列来记录每组的顺序，将结果保存到answer8_B中
- row_number() ：用来生成 num字段的值
- distribute by movietype ：按照type进行分组
- sort by avgrate desc ：每组数据按照rate排降序
- num：新列， 值就是每一条记录在每一组中按照排序规则计算出来的排序值
C. 从answer8_B中取出num列序号<=5的
（2）完整SQL：
A. 需要电影类型，所有需要将answer7_A中的type字段进行裂变，将结果保存到answer8_A中
create table answer8_A as
select a.id as id, a.name as name, a.years as years, a.rate as rate, tv.type as type
from answer7_A a
lateral view explode(split(a.type,"\\|")) tv as type;
select * from answer8_A;
B.求TopN，按照type分组，需要添加一列来记录每组的顺序，将结果保存到answer8_B中
create table answer8_B as
select id,name,years,rate,type,row_number() over(distribute by type sort by rate desc ) as num
from answer8_A;
select * from answer8_B;
C. 从answer8_B中取出num列序号<=5的
select a.* from answer8_B a where a.num <= 5;
各年评分最高的电影类型（年份，类型，影评分）
（1）分析思路：
1、
- 需求字段：电影id movieid
- 电影名 moviename
- 影评分 rate（排序条件）
- 电影类型 type（分组条件）
- 上映年份 years（分组条件）
2、核心SQL：
A.
-
需要按照电影类型和上映年份进行分组，按照影评分进行排序，将结果保存到
answer9_A中
- 需要查询的字段：上映年份 answer7_A.years
- 影评分 answer7_A.rate
- 电影类型 answer7_A.movietype
B.
- 求TopN，按照years分组，需要添加一列来记录每组的顺序，将结果保存到
answer9_B中
C.
- 按照num=1作为where过滤条件取出结果数据
（2）完整SQL：
A. 需要按照电影类型和上映年份进行分组，按照影评分进行排序，将结果保存到answer9_A中
create table answer9_A as
select a.years as years, a.type as type, avg(a.rate) as rate
from answer8_A a
group by a.years,a.type
order by rate desc;
select * from answer9_A;
B.求TopN，按照years分组，需要添加一列来记录每组的顺序，将结果保存到answer9_B中
create table answer9_B as
select years,type,rate,row_number() over (distribute by years sort by rate) as num
from answer9_A;
select * from answer9_B;
C. 按照num=1作为where过滤条件取出结果数据
select * from answer9_B where num=1;
每个地区最高评分的电影名，把结果存入HDFS（地区，电影名，影评分）
（1）分析思路：
1、
- 需求字段：电影id t_movie.movieid
- 电影名 t_movie.moviename
- 影评分 t_rating.rate（排序条件）
- 地区 t_user.zipcode（分组条件）
2、核心SQL：
A.
- 需要把三张表进行联合查询，取出电影id、电影名称、影评分、地区，将结果保存到answer10_A表中
- 需要查询的字段：电影id t_movie.movieid
- 电影名 t_movie.moviename
- 影评分 t_rating.rate（排序条件）
- 地区 t_user.zipcode（分组条件）
B.
- 求TopN，按照地区分组，按照平均排序，添加一列num用来记录地区排名，将结果保存到answer10_B表中
C.
- 按照num=1作为where过滤条件取出结果数据
（2）完整SQL：
A. 需要把三张表进行联合查询，取出电影id、电影名称、影评分、地区，将结果保存到answer10_A表中
create table answer10_A as
select c.movieid, c.moviename, avg(b.rate) as avgrate, a.zipcode
from t_user a
join t_rating b on a.userid=b.userid
join t_movie c on b.movieid=c.movieid
group by a.zipcode,c.movieid, c.moviename;
select t.* from answer10_A t;
B. 求TopN，按照地区分组，按照平均排序，添加一列num用来记录地区排名，将结果保存到answer10_B表中
create table answer10_B as
select movieid,moviename,avgrate,zipcode, row_number() over (distribute by zipcode sort by avgrate) as num
from answer10_A;
select t.* from answer10_B t;
C.按照num=1作为where过滤条件取出结果数据并保存到HDFS上
insert overwrite directory "/movie/answer10/" select t.* from answer10_B t where t.num=1;
使用HDFS 查看table表
