Hive实战：词频统计

一、实战概述

• 在本次实战中，我们任务是在大数据环境下使用Hive进行词频统计。首先，我们在master虚拟机上创建了一个名为test.txt的文本文件，内容包含一些关键词的句子。接着，我们将该文本文件上传到HDFS的/hivewc/input目录，作为数据源。

• 随后，我们启动了Hive Metastore服务和Hive客户端，为数据处理做准备。在Hive客户端中，我们创建了一个名为t_word的外部表，该表的结构包含一个字符串类型的word字段，并将其位置设置为HDFS中的/hivewc/input目录。这样，Hive就可以直接读取和处理HDFS中的文本数据。

• 为了进行词频统计，我们编写了一条Hive SQL语句。该语句首先使用explode和split函数将每个句子拆分为单个单词，然后通过子查询对这些单词进行计数，并按单词进行分组，最终得到每个单词的出现次数。

• 通过执行这条SQL语句，我们成功地完成了词频统计任务，得到了预期的结果。这个过程展示了Hive在大数据处理中的强大能力，尤其是对于文本数据的分析和处理。同时，我们也注意到了在使用Hive时的一些细节，如子查询需要取别名等，这些经验将对今后的数据处理工作有所帮助。

二、提出任务

• 文本文件test.txt

hello hadoop hello hive
hello hbase hello spark
we will learn hadoop
we will learn hive
we love hadoop spark

• 进行词频统计，结果如下

hadoop  3
hbase   1
hello   4
hive    2
learn   2 
love    1
spark   2
we      3
will    2

三、完成任务

（一）准备数据文件

1、在虚拟机上创建文本文件

• 在master虚拟机上创建test.txt文件
  

2、将文本文件上传到HDFS指定目录

• 在HDFS上创建/hivewc/input目录
  
• 将test.txt文件上传到HDFS的/hivewc/input目录
  

（二）实现步骤

• 注意：必须要先启动Hadoop服务

1、启动Hive Metastore服务

• 我们需要启动Hive Metastore服务，这是Hive的元数据存储服务。
• 执行命令：hive --service metastore &
  

2、启动Hive客户端

• 执行命令：hive
  
• 一旦我们看到命令提示符hive>，就表示我们已经成功进入Hive客户端。

3、基于HDFS文件创建外部表

• 基于/hivewc/input下的文件创建外部表t_word，执行命令：CREATE EXTERNAL TABLE t_word(line string) LOCATION '/hivewc/input';
  

• 在MySQL的hive数据库的TBLS表里，我们可以查看外部表t_word对应的记录。
  

4、查询单词表，所有单词成一列

• 查看单词表记录，执行语句：SELECT line FROM t_word;
  

• 按空格拆分行数据，执行语句：SELECT split(line, ' ') FROM t_word;
  

• 让单词成一列，执行语句：SELECT explode(split(line, ' ')) AS word FROM t_word;
  

5、基于查询结果创建视图

• 基于查询结果创建了一个视图v_word，执行语句：CREATE VIEW v_word AS SELECT explode(split(line, ' ')) AS word FROM t_word;
  

• 查询视图的全部记录，执行语句：SELECT word FROM v_word;
  

6、基于视图进行分组统计

• 基于视图分组统计操作，执行语句：SELECT word, COUNT(*) FROM v_word GROUP BY word;
  

7、基于嵌套查询一步搞定

• 为了更简便地实现相同的效果，使用嵌套查询：SELECT word, COUNT(*) FROM (SELECT explode(split(line, ' ')) AS word FROM t_word) AS v_word GROUP BY word;
  

• 注意，这里在嵌套查询中，我们为子查询取了一个别名，这个别名是v_word。

• 这条SQL语句是在处理一个名为t_word的表，该表中有一个word字段，该字段存储的是由空格分隔的单词字符串。

1. 首先，使用explode(split(line, ' ')) AS word从t_word表中的每一行word字段创建一个新的临时表（别名v_word）。这里split(word, ' ')函数将每个word字段的内容按照空格分割成多个单词，并生成一个多行的结果集，每行包含一个单词。

2. explode函数则将这个分割后的数组转换为多行记录，即每一行对应原字符串中的一个单词。

3. 然后，通过GROUP BY word对新生成的临时表v_word中的word字段进行分组，即将所有相同的单词归为一组。

4. 最后，使用COUNT(*)统计每个单词分组的数量，结果将展示每个单词及其在原始数据集中出现的次数。

• 整个查询的目的在于统计t_word表中各个单词出现的频率。

• 通过这一系列的操作，我们深入学习了Hive的外部表创建、数据加载、查询、视图创建以及统计分析的操作。希望大家能够在实际应用中灵活运用这些知识。