在hive仓库中建贴源数据表

Posted 2021-04-29 ItStar

该项目的数据分析过程在hadoop集群上实现，主要应用hive数据仓库工具，因此，采集并经过预处理后的数据，需要加载到hive数据仓库中，以进行后续的挖掘分析。

创建原始数据表

--在hive仓库中建贴源数据表ods_weblog_origin

drop table if exists shizhan.ods_weblog_origin; create table shizhan.ods_weblog_origin( valid string, remote_addr string, remote_user string, time_local string, request string, status string, body_bytes_sent string, http_referer string, http_user_agent string) partitioned by (datestr string) row format delimited fields terminated by '\001';

 

日志模型贴源数据表ods_click_pageviews

drop table if exists ods_click_pageviews; create table ods_click_pageviews( Session string, remote_addr string, remote_user string, time_local string, request string, visit_step string, page_staylong string, http_referer string, http_user_agent string, body_bytes_sent string, status string) partitioned by (datestr string) row format delimited fields terminated by '\001';

 

日志visit模型表click_stream_visit

drop table if exist click_stream_visit; create table click_stream_visit( session     string, remote_addr string, inTime      string, outTime     string, inPage      string, outPage     string, referal     string, pageVisits  int) partitioned by (datestr string);

 

时间维表创建

drop table dim_time if exists ods_click_pageviews; create table dim_time( year string, month string, day string, hour string) row format delimited fields terminated by ',';

 

导入数据

导入清洗结果数据到贴源数据表ods_weblog_origin load data inpath '/weblog/preprocessed/16-02-24-16/' overwrite into table ods_weblog_origin partition(datestr='2013-09-18');   0: jdbc:hive2://localhost:10000> show partitions ods_weblog_origin; +-------------------+--+ |     partition     | +-------------------+--+ | timestr=20151203  | +-------------------+--+   0: jdbc:hive2://localhost:10000> select count(*) from ods_weblog_origin; +--------+--+ |  _c0   | +--------+--+ | 11347  | +--------+--+   导入日志模型pageviews数据到ods_click_pageviews表 0: jdbc:hive2://hdp-node-01:10000> load data inpath '/weblog/clickstream/pageviews' overwrite into table ods_click_pageviews partition(datestr='2013-09-18');   0: jdbc:hive2://hdp-node-01:10000> select count(1) from ods_click_pageviews; +------+--+ | _c0  | +------+--+ | 66   | +------+--+   导入日志模型visit数据到click_stream_visit表 0: jdbc:hive2://mini1:10000> Load data local inpath '/weblog/clickstream/visits' overwrite into table click_stream_visit partition(datestr='2013-09-18');

ODS层明细宽表 

需求概述

整个数据分析的过程是按照数据仓库的层次分层进行的，总体来说，是从ODS原始数据中整理出一些中间表（比如，为后续分析方便，将原始数据中的时间、url等非结构化数据作结构化抽取，将各种字段信息进行细化，形成明细表），然后再在中间表的基础之上统计出各种指标数据

 

ETL实现

建表——明细表ods_weblog_detail    (源：ods_weblog_origin)   （目标：ods_weblog_detail）

drop table ods_weblog_detail; create table ods_weblog_detail( valid           string, --有效标识 remote_addr     string, --来源IP remote_user     string, --用户标识 time_local      string, --访问完整时间 daystr          string, --访问日期 timestr         string, --访问时间 month           string, --访问月 day             string, --访问日 hour            string, --访问时 request         string, --请求的url status          string, --响应码 body_bytes_sent string, --传输字节数 http_referer    string, --来源url ref_host        string, --来源的host ref_path        string, --来源的路径 ref_query       string, --来源参数query ref_query_id    string, --来源参数query的值 http_user_agent string --客户终端标识 ) partitioned by(datestr string);

 

--抽取refer_url到中间表  "t_ods_tmp_referurl" 

--将来访url分离出host  path  query  query id

drop table if exists t_ods_tmp_referurl; create table t_ ods _tmp_referurl as SELECT a.*,b.* FROM ods_origin_weblog a LATERAL VIEW parse_url_tuple(regexp_replace(http_referer, "\"", ""), 'HOST', 'PATH','QUERY', 'QUERY:id') b as host, path, query, query_id;

 

--抽取转换time_local字段到中间表明细表 ”t_ ods _detail”

drop table if exists t_ods_tmp_detail; create table t_ods_tmp_detail as  select b.*,substring(time_local,0,10) as daystr, substring(time_local,11) as tmstr, substring(time_local,5,2) as month, substring(time_local,8,2) as day, substring(time_local,11,2) as hour From t_ ods _tmp_referurl b;

 

以上语句可以改写成：

insert into table zs.ods_weblog_detail partition(datestr='2013-09-18') select c.valid,c.remote_addr,c.remote_user,c.time_local, substring (c.time_local,0,10) as daystr, substring(c.time_local,12) as tmstr, substring(c.time_local,6,2) as month, substring(c.time_local,9,2) as day, substring(c.time_local,11,3) as hour, c.request,c.status,c.body_bytes_sent,c.http_referer,c.ref_host,c.ref_path,c.ref_query,c.ref_query_id,c.http_user_agent from (SELECT  a.valid,a.remote_addr,a.remote_user,a.time_local, a.request,a.status,a.body_bytes_sent,a.http_referer,a.http_user_agent,b.ref_host,b.ref_path,b.ref_query,b.ref_query_id  FROM zs.ods_weblog_origin a LATERAL VIEW parse_url_tuple (regexp_replace(http_referer, "\"", ""), 'HOST', 'PATH','QUERY', 'QUERY:id') b as ref_host, ref_path, ref_query, ref_query_id) c     0: jdbc:hive2://localhost:10000> show partitions ods_weblog_detail; +---------------------+--+ |      partition      | +---------------------+--+ | dd=18%2FSep%2F2013  | +---------------------+--+ 1 row selected (0.134 seconds)

统计分析

注：每一种统计指标都可以跟各维度表进行叉乘，从而得出各个维度的统计结果  

篇幅限制，叉乘的代码及注释信息详见项目工程代码文件 。                   

为了在前端展示时速度更快，每一个指标都事先算出各维度结果存入mysql。

 

提前准备好维表数据，在hive仓库中创建相应维表，如：

时间维表：

create table v_time(year string,month string,day string,hour string) row format delimited fields terminated by ',';   load data local inpath '/home/hadoop/v_time.txt' into table v_time;

 

在实际生产中，究竟需要哪些统计指标通常由相关数据需求部门人员提出，而且会不断有新的统计需求产生，以下为网站流量分析中的一些典型指标示例。

PV统计

多维统计PV总量

1. 时间维度

--计算指定的某个小时pvs select count(*),month,day,hour from dw_click.ods_weblog_detail group by month,day,hour;     --计算该处理批次（一天）中的各小时pvs drop table dw_pvs_hour; create table dw_pvs_hour(month string,day string,hour string,pvs bigint) partitioned by(datestr string);   insert into table dw_pvs_hour partition(datestr='2016-03-18') select a.month as month,a.day as day,a.hour as hour,count(1) as pvs from ods_weblog_detail a where  a.datestr='2016-03-18'  group by a.month,a.day,a.hour;   或者用时间维表关联

 

维度：日

drop table dw_pvs_day; create table dw_pvs_day(pvs bigint,month string,day string);   insert into table dw_pvs_day select count(1) as pvs,a.month as month,a.day as day  from dim_time a join ods_weblog_detail b  on b.dd='18/Sep/2013' and a.month=b.month and a.day=b.day group by a.month,a.day;   --或者，从之前算好的小时结果中统计 Insert into table dw_pvs_day Select sum(pvs) as pvs,month,day from dw_pvs_hour group by month,day having day='18';   结果如下：

 

维度：月

drop table t_display_pv_month; create table t_display_pv_month (pvs bigint,month string); insert into table t_display_pv_month select count(*) as pvs,a.month from t_dim_time a join t_ods_detail_prt b on a.month=b.month group by a.month;

 

2. 按终端维度统计pv总量

注：探索数据中的终端类型

select distinct(http_user_agent) from ods_weblog_detail where http_user_agent like '%Mozilla%' limit 200;

 

终端维度：uc

drop table t_display_pv_terminal_uc; create table t_display_pv_ terminal_uc (pvs bigint,mm string,dd string,hh string);

 

终端维度：chrome

drop table t_display_pv_terminal_chrome; create table t_display_pv_ terminal_ chrome (pvs bigint,mm string,dd string,hh string);

 

终端维度：safari

drop table t_display_pv_terminal_safari; create table t_display_pv_ terminal_ safari (pvs bigint,mm string,dd string,hh string);