大数据从入门到精通(超详细版)之Hive的案例实战，ETL数据清洗！！！

前言

嗨，各位小伙伴，恭喜大家学习到这里，不知道关于大数据前面的知识遗忘程度怎么样了，又或者是对大数据后面的知识是否感兴趣，本文是《大数据从入门到精通（超详细版）》的一部分，小伙伴们如果对此感谢兴趣的话，推荐大家按照大数据学习路径开始学习哦。

以下就是完整的学习路径哦。

前面我们已经学习完了Hive的各自基本操作与基础知识，本文主要介绍Hive的实战篇章,主要关于真实环境下会遇到的各种问题，其中主要是Hive的数据清洗工作。

↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓

大数据从入门到精通文章体系！！！！！！！！！！！！！！

↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑

推荐大家认真学习哦！！！

需求分析

聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对聊天数据的统计分析，可以更好的**对用户构建精准的用户画像，**为用户提供更好的服务以及实现高ROI的平台运营推广，给公司的发展决策提供精确的数据支撑。

我们将基于一个社交平台App的用户数据，完成相关指标的统计分析并结合BI工具对指标进行可视化展现。

基于Hadoop和Hive实现聊天数据统计分析，构建聊天数据分析报表

需求:

• 统计今日总消息量
• 统计今日每小时消息量、发送和接收用户数
• 统计今日各地区发送消息数据量
• 统计今日发送消息和接收消息的用户数
• 统计今日发送消息最多的Top10用户
• 统计今日接收消息最多的Top10用户
• 统计发送人的手机型号分布情况
• 统计发送人的设备操作系统分布情况

数据准备

• 数据大小：30万条
• 数据列分隔符：Hive默认分隔符’\001’
• 数据字典及样例数据

上传数据:

##先查看数据的大致样式
cat data_30w | more

将数据导入Hive当中:

##创建HDFS目录下的/chat/demo
hdfs dfs -mkdir -p /chatdemo/data
##将本地数据上传上去
hdfs dfs -put data_30w /chatdemo/data

建库建表

• –如果数据库已存在就删除

  drop database if exists db_msg cascade ;
  

• –创建数据库

  create database db_msg ;
  

• –切换数据库

  use db_msg ;
  

• –列举数据库

  show databases ;
  

• –如果表已存在就删除

  drop table if exists db_msg.tb_msg_source ;
  

• –建表(没有指定分隔符,所有使用Hive默认的分隔符 : \001)

  create table db_msg.tb_msg_source(
  msg_time string comment "消息发送时间",
  sender_name string comment "发送人昵称",
  sender_account string comment "发送人账号",
  sender_sex string comment "发送人性别",
  sender_ip string comment "发送人ip地址",
  sender_os string comment "发送人操作系统",
  sender_phonetype string comment "发送人手机型号",
  sender_network string comment "发送人网络类型",
  sender_gps string comment "发送人的GPS定位",
  receiver_name string comment "接收人昵称",
  receiver_ip string comment "接收人IP",
  receiver_account string comment "接收人账号",
  receiver_os string comment "接收人操作系统",
  receiver_phonetype string comment "接收人手机型号",
  receiver_network string comment "接收人网络类型",
  receiver_gps string comment "接收人的GPS定位",
  receiver_sex string comment "接收人性别",
  msg_type string comment "消息类型",
  distance string comment "双方距离",
  message string comment "消息内容"
  );
  

• 加载数据到表当中, 因为我们是从HDFS文件系统当中加载的数据,所以此时不需要使用local关键字

  load data inpath '/chatdemo/data/data_30w' into table tb_msg_source;
  

• 验证数据的加载

  select * from tb_msg_source tablesample ( 100 rows );
  

  可以看到数据已经加载进入表当中了

  

• 验证数据的条数

  select count(*) from tb_msg_source
  

  

数据清洗

问题1：当前数据中，有一些数据的字段为空，不是合法数据

问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理

实现：

创建ETL表:

从表tb_msg_source 查询数据进行数据过滤和转换，并将结果写入到：tb_msg_etl表中的操作这种操作，本质上是一种简单的ETL行为。

ETL：E，Extract，抽取T，Transform，转换L，Load，

加载从A抽取数据(E)，进行数据转换过滤(T)，将结果加载到B(L)，就是ETL啦

ETL在大数据系统中是非常常见的，后续我们还会继续接触到它。目前简单了解一下即可。

create table db_msg.tb_msg_etl(
msg_time string comment "消息发送时间",
sender_name string comment "发送人昵称",
sender_account string comment "发送人账号",
sender_sex string comment "发送人性别",
sender_ip string comment "发送人ip地址",
sender_os string comment "发送人操作系统",
sender_phonetype string comment "发送人手机型号",
sender_network string comment "发送人网络类型",
sender_gps string comment "发送人的GPS定位",
receiver_name string comment "接收人昵称",
receiver_ip string comment "接收人IP",
receiver_account string comment "接收人账号",
receiver_os string comment "接收人操作系统",
receiver_phonetype string comment "接收人手机型号",
receiver_network string comment "接收人网络类型",
receiver_gps string comment "接收人的GPS定位",
receiver_sex string comment "接收人性别",
msg_type string comment "消息类型",
distance string comment "双方距离",
message string comment "消息内容",
msg_day string comment "消息日",
msg_hour string comment "消息小时",
sender_lng double comment "经度",
sender_lat double comment "纬度"
);

开始ETL过程 :

INSERT OVERWRITE TABLE db_msg.tb_msg_etl
SELECT 
    *, 
    day(msg_time) as msg_day, 
    HOUR(msg_time) as msg_hour, 
    split(sender_gps, ',')[0] AS sender_lng,
    split(sender_gps, ',')[1] AS sender_lat
FROM tb_msg_source WHERE LENGTH(sender_gps) > 0;

将经纬度与时间都分隔出来了.

以上就是本文实战操作.

结尾

恭喜小伙伴完成本篇文章的学习，相信文章的内容您已经掌握得十分清楚了，如果您对大数据的知识十分好奇，请接下来跟着学习路径完成大数据的学习哦，相信你会做到的~~~

↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓

大数据从入门到精通文章体系！！！！！！！！！！！！！！