Hive实战：网址去重

一、实战概述

二、提出任务

• 使用Hive框架，实现网址去重
  三个包含了网址的文本文件（ips01.txt、ips02.txt、ips03.txt）
• ips01.txt

192.168.1.1
172.16.0.1
10.0.0.1
192.168.1.2
192.168.1.3
172.16.0.2
10.0.0.2
192.168.1.1
172.16.0.1
10.0.0.3

• ips02.txt

192.168.1.4
172.16.0.3
10.0.0.4
192.168.1.5
192.168.2.1
172.16.0.4
10.0.1.1
192.168.1.1
172.16.0.1 
10.0.0.1 

• ips03.txt

192.168.1.6
172.16.1.1
10.0.2.1
192.168.1.7
192.168.3.1
172.16.0.5
10.0.0.5
192.168.1.1
172.16.0.1
10.0.0.3

三、完成任务

（一）准备数据

1、在虚拟机上创建文本文件

• 在master虚拟机上创建包含了网址的文本文件（ips01.txt、ips02.txt、ips03.txt）
  

2、启动Hadoop服务

• 执行命令：start-all.sh
  

3、将文本文件上传到HDFS指定目录

• 在master虚拟机上创建HDFS上的/deduplicate/input目录，用于存放待处理的原始数据文件。
  
• 将本地创建的三个文本文件上传至HDFS的/deduplicate/input目录
  

（二）实现步骤

1、启动Hive Metastore服务

• 我们需要启动Hive Metastore服务，这是Hive的元数据存储服务。
  执行命令：hive --service metastore &
  

2、启动Hive客户端

• 执行命令：hive，看到命令提示符hive>
  

3、基于HDFS数据文件创建Hive外部表

• 基于HDFS数据文件创建Hive外部表
  执行语句： CREATE EXTERNAL TABLE ips (ip STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\n' LOCATION '/deduplicate/input';
• 这里创建了一个名为ips的外部表，字段为单列ip，每一行代表一个IP地址。由于我们的数据文件中每个IP地址占一行，所以字段间用换行符\n分隔。
  

4、利用Hive SQL实现去重

• 基于查询结果创建新表
  执行语句： CREATE TABLE deduplicated_ips AS SELECT DISTINCT ip FROM ips;
• 通过上述SQL语句，我们在Hive内部创建了一个新的表deduplicated_ips，其中存储了从unique_ips表中提取的所有不重复的IP地址。
  

5、检查是否实现去重

• 检查deduplicated_ips表的内容以确认去重是否成功执行
  执行语句：SELECT * FROM deduplicated_ips;
  

• 若输出结果中没有重复的IP地址，则说明去重任务已经顺利完成。

四、实战总结

本实战通过Hive对三个文本文件中的IP地址数据进行整合去重。首先在虚拟机创建并上传文本至HDFS，接着启动Hive服务与客户端，创建外部表加载数据，并用DISTINCT从原始表中提取不重复IP至新内部表，最终成功实现去重目标，展示了Hive处理大规模文本数据的高效能与便捷性。