需求
场景:统计每日用户登陆总数
每分钟的原始日志内容如下:
http://www.blue.com/uid=xxxxxx&ip=xxxxxx
假设只有两个字段,uid和ip,其中uid是用户的uid,是用户的唯一标识,ip是用户的登陆ip,每日的记录行数是10亿,要统计出一天用户登陆的总数。
处理流程
建表
那么我们首先要在hive里建表,建表语句如下:
CREATE TABLE login ( uid STRING, ip STRING ) PARTITIONED BY (dt STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;
其实表名是login,字段之间以,隔开,存储是TEXT,其次还以dt这个字段作为分区。
创建成功之后,会看到hdfs上创建了/user/hive/warehouse/login这个目录。
格式化原始日志
将每天的每分钟的原始日志,转换成以下文件格式
123,17.6.2.6 112,11.3.6.2 ………..
根据文件大小,合并文件,例如合并为24个文件。
入库
格式完毕,就可以把数据入库到hive了,假设今天是执行命令
LOAD DATA LOCAL INPATH '/data/login/20120713/*' OVERWRITE INTO TABLE login PARTITION (dt='20120713');
执行成功会,转换过的文件会上传到hdfs的/user/hive/warehouse/login/dt=20120713这个目录里。
分析
在hive执行以下语句
select count(distinct uid) from login where dt=’ 20120713’;
使用dt这个分区条件查询,就可以避免hive去查询其他分区的文件,减少IO操作,这个是hive分区很重要的特性,也是以天为单位,作为login表分区的重要意义。
执行完毕后,就可以在命令里出现结果,一般通过管道执行hive shell命令,读取管道的内容,把结果入库到mysql里就完成了分析了。