hive、hbase、mysql数据传输，hive优化实践(一)

此次实践缘由

hive自去年学习后，就一直放着少有使用了，前几天接到面试，说hive这块，让再多学习学习。
所以有了这次实践，复习一把。
主要是想做些优化，以及尝试模拟出数据倾斜并解决倾斜的问题

关于实验

实验的前半部分大部分参考的林子雨实验室的案例
林博士团队的案例，确实讲得很详细，
关于这一部分，我在走一遍流程的前提下，提炼下要素，并对原案例进行一些更深入的观察。这些内容大都使用黄色背景高亮

我的重心是，hive做mapreduce工作这一块的优化，以及尝试模拟出数据倾斜并解决倾斜的问题。

hive、hbase、mysql数据传输

这部分，大都来自林子雨实验室

关于集群：Cloudera CDH5.13.2，搭建过程可参考此文

数据集下载：https://pan.baidu.com/s/1nuOSo7B
【说句题外话，用了一年多的破解版网盘，我欠百度网盘一个会员。。。等秋招顺利拿了offer】

数据集预览

mkdir -p /home/guest/bigdatacase/dataset

scp ~/elk/user.zip user@your_remote_ipaddress:/home/guest/bigdatacase/dataset

unzip /home/guest/bigdatacase/dataset/user.zip

有两个文件：raw_user.csv和small_user.csv。

head /usr/local/bigdatacase/dataset

每行记录都包含5个字段，数据集中的字段及其含义如下：

user_id (用户id)
item_id (商品id)
behaviour_type (包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4)
user_geohash (用户地理位置哈希值，有些记录中没有这个字段值，后面用脚本做数据预处理时把这个字段全部删除)
item_category (商品分类)
time (该记录产生时间)

删除csv表头：如果是更复杂的，hive自定义UDF处理可参考以前这篇文章
sed -i '1d' small_user.csv

数据预处理

为每行记录增加一个id字段（让记录具有唯一性）、增加一个省份字段（用来后续进行可视化分析），并且丢弃user_geohash字段（后面分析不需要这个字段）

脚本如下

下面的代码的基本形式是： awk -F “,” ‘处理逻辑’ $infile > $outfile

#!/bin/bash
infile=$1
outfile=$2
#最后的$infile > $outfile必须跟在}’这两个字符的后面
awk -F "," 'BEGIN{
        srand();
        id=0;
        Province[0]="山东";Province[1]="山西";Province[2]="河南";Province[3]="河北";Province[4]="陕西";Province[5]="内蒙古";Province[6]="上海市";
        Province[7]="北京市";Province[8]="重庆市";Province[9]="天津市";Province[10]="福建";Province[11]="广东";Province[12]="广西";Province[13]="云南"; 
        Province[14]="浙江";Province[15]="贵州";Province[16]="新疆";Province[17]="西藏";Province[18]="江西";Province[19]="湖南";Province[20]="湖北";
        Province[21]="黑龙江";Province[22]="吉林";Province[23]="辽宁"; Province[24]="江苏";Province[25]="甘肃";Province[26]="青海";Province[27]="四川";
        Province[28]="安徽"; Province[29]="宁夏";Province[30]="海南";Province[31]="香港";Province[32]=