Hive学习之路 （十二）Hive SQL练习之影评案例
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）
数据下载
https://files.cnblogs.com/files/qingyunzong/hive%E5%BD%B1%E8%AF%84%E6%A1%88%E4%BE%8B.zip
解析
之前已经使用MapReduce程序将3张表格进行合并，所以只需要将合并之后的表格导入对应的表中进行查询即可。
1、正确建表，导入数据（三张表，三份数据），并验证是否正确
（1）分析需求
需要创建一个数据库movie，在movie数据库中创建3张表，t_user，t_movie，t_rating
t_user:userid bigint,sex string,age int,occupation string,zipcode string
t_movie:movieid bigint,moviename string,movietype string
t_rating:userid bigint,movieid bigint,rate double,times string
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
0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/users.dat" into table t_user; No rows affected (0.928 seconds) 0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/movies.dat" into table t_movie; No rows affected (0.538 seconds) 0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/ratings.dat" into table t_rating; No rows affected (0.963 seconds) 0: jdbc:hive2://hadoop3:10000>
（7）验证
select t.* from t_user t;
select t.* from t_movie t;
select t.* from t_rating t;
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）
（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;
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）
（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;
select * from answer3_F；
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;
select * from answer3_M；
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）
（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;
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）
（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;
6、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;
7、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;
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）
（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）
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;
9、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;
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）
（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;
