Hive+MapReduce实现对网站流量数据分析

目的： 实现对网站流量数据分析 (MapReduce+Hive综合实验）

文件说明：

http.log 日志文件，是电信运营商记录用户手机上网访问某些网站行为的日志记录数据，其中上行流量+下行流量 = 总流量；
phone.txt 是手机号段规则，是手机号码对应地区城市和运营商的数据。

数据部分内容：

http.log 部分数据

.

phone.txt 部分数据 .

数据格式说明：

• http.log日志 数据格式：
  手机号码，请求网站的URL，上行流量（20字节），下行流量（5000字节）
  例如：18611132889 http://v.baidu.com/tv 20 5000
• phone.txt 数据格式：
  手机号前缀，手机号段，手机号码对应的省份，城市，运营商，邮编，区号，行政划分代码
  例如：133 1332170 广西 南宁 电信 530000 0771 450100
  （一条数据中多个字段用空格或制表符分隔）

要求：

• 用 MapReduce 将数据段的间隔改成“，”

1. 根据给的用户上网日志记录数据，计算出总流量最高的网站Top3(网站例如：v.baidu.com，weibo.com)；
2. 根据给的用户上网日志记录数据，计算出总流量最高的手机号Top3；
3. 根据给的手机号段归属地规则，计算出总流量最高的省份Top3；
4. 根据给的手机号段运营商规则，计算出总流量最高的运营商Top2；
5. 根据给的手机号段归属地规则，计算出总流量最高的城市Top3；

首先对数据用 MapReduce 进行简单的处理，流程如下：

http.log 数据处理流程 phone.txt 数据处理流程

处理完数据，得到我们想要的数据，如下：

http.log 处理后的数据

.

phone.txt 处理后的数据

以下是 MapReduce 主要代码。
http_Mapper 代码：

public class http_Mapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //用正则表达式将文件每一行的制表符和空格换成逗号
        String new_value = value.toString().replaceAll("\s+", ",");

        //将修改后的每一行数据切割成数组
        String[] new_value_split = new_value.split(",");

        //将每一行数据的网站保留有效域名
        String domain_name = new_value_split[1].replaceAll("[a-zA-Z]+://|(/.*)", "");

        //将每一行数据的上下行流量求和
        int all_flow = Integer.parseInt(new_value_split[2]) + Integer.parseInt(new_value_split[3]);

        //将手机号、域名网址、总流量作为处理后的有效数据，例如：15639120688	v.baidu.com 15994
        String k2 = new_value_split[0] + "," + domain_name + "," + all_flow;

        //写入上下文对象
        context.write(new Text(k2), NullWritable.get());
    }
}

http_Reducer 代码：

public class http_Reducer extends Reducer<Text, NullWritable, Text, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
        //将shuffle过来的（k3，v3）直接当（k4，v4）就好了
        context.write(key, NullWritable.get());
    }
}

phone_Mapper 代码：

public class phone_Mapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //将文件每一行的制表符换成逗号
        String new_value = value.toString().replace("\t", ",");

        //将修改后的每一行数据切割成数组
        String[] new_value_split = new_value.split(",");

        //将手机号段、省份、城市、运营商作为最后的有效数据，例如：1300000 山东 济南 联通
        String mes = new_value_split[1] + "," + new_value_split[2] + "," + new_value_split[3] + "," + new_value_split[4];

        //写入上下文对象
        context.write(new Text(mes), NullWritable.get());
    }
}

phone_Reducer 代码：

public class phone_Reducer extends Reducer<Text, NullWritable, Text, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
        //将shuffle过来的（k3，v3）直接当（k4，v4）就好了
        context.write(key, NullWritable.get());
    }
}

接下来，创建 Hive 表，
输入命令：

create table if not exists lhr_http
(h_no bigint ,h_url string ,h_allstream int) 
row format delimited fields terminated by ',';

create table if not exists lhr_phone
(p_no bigint ,p_prov string ,p_city string ,p_oper string) 
row format delimited fields terminated by ',';

运行结果：

将清洗后的数据导入Hive
输入命令：

load data inpath '/http_out/part-r-00000' into table lhr_http;
load data inpath '/phone_out/part-r-00000' into table lhr_phone;

运行结果：

导入的的数据：

现在我们已经将处理好的数据导入到创建的两张 Hive 表了，接下来就可以写 Hql 语句来完成前面提到的 5 个要求了。

1.根据给的用户上网日志记录数据，计算出总流量最高的网站Top3(网站例如：v.baidu.com， weibo.com)

输入命令：

select h_url,sum(h_allstream) as sum 
from lhr_http 
group by h_url 
order by sum desc 
limit 3;

输出结果：

2. 根据给的用户上网日志记录数据，计算出总流量最高的手机号Top3

输入命令：

select h_no,sum(h_allstream) as sum 
from lhr_http 
group by h_no 
order by sum desc 
limit 3;

输出结果：

3. 根据给的手机号段归属地规则，计算出总流量最高的省份Top3

输入命令：

select p_prov,sum(h_allstream) as sum 
from lhr_http, lhr_phone 
where substr(h_no,0,7)=p_no 
group by p_prov 
order by sum desc limit 3;

输出结果：

4. 根据给的手机号段运营商规则，计算出总流量最高的运营商Top2

输入命令：

select p_oper,sum(h_allstream) as sum 
from lhr_http,lhr_phone 
where substr(h_no,0,7)=p_no 
group by p_oper 
order by sum desc 
limit 2;

输出结果：

5. 根据给的手机号段归属地规则，计算出总流量最高的城市Top3

输入命令：

select p_city,sum(h_allstream) as sum 
from lhr_http,lhr_phone 
where substr(h_no,0,7)=p_no 
group by p_city 
order by sum desc 
limit 3;

输出结果：

over！！！