sql求平均日活_基于历史数据的用户访问次数，每天新老用户，日活，周活，月活的hive计算...

基于历史数据的用户访问次数，每天新老用户，日活，周活，月活的hive计算

发布时间：2018-08-03 17:34,

浏览次数：1383

, 标签：

hive

最近有一个需求，统计每天的新老用户，日活，周活，月活。

我们每天的增量数据会加入到hive历史数据表中，包含用户访问网站的一些信息，字段有很多，包括用户唯一标识guid。

当然了日活，周活，月活就是一个count(distinct(guid))语句，非常常用的sql。

但是这里的问题是：

A：每天的新老用户应该怎么统计呢？

B：这还不简单，判断用户guid是否存在与历史库guid中嘛？

A：历史数据几十个T，大概一百亿行，你要每天将当日数据(2~3亿行)与历史数据几亿行进行join判断？

B：额，这个，这个，好像不行哦！

是的，历史数据里面是用户网站访问行为，同一个用户在同一天，不同的天都有可能出现，guid在历史表中会有多次。如果直接join，性能很差，实际上是做了很多不必要的工作。

解决方案：

维护一张用户表，里面有4列：guid, starttime, endtime, num，分别是用户的guid，第一次访问时间，最后一次访问时间，访问天数；

从某个状态开始，历史表中guid是唯一的；

当天数据去重后，与历史库join，如果guid在历史库出现过，则将endtime更新为当天时间，num加一；

否则，这是一个新用户，插入历史库，starttime, endtime都为当天时间，num初始值为1。

维护了这么一张用户表后，接下来就可以写hql统计业务了，计算当天新老用户时，只需要与这个历史库进行join就行了(目前为止4千万)，当日guid去重后是1千多万，这样就是4千万~1千万的join了，与开始4千万~100亿的join，性能会有巨大提升。

hive历史表的设计与hive相关配置

可以看到这里hive历史表history_helper需要频繁修改，hive表支持数据修改需要在${HIVE_HOME}/conf/hive-site.xml中添加事务支持：

hive.support.concurrencytrue

> hive.exec.dynamic.partition.modenonstrict

value> hive.txn.manager

org.apache.hadoop.hive.ql.lockmgr.DbTxnManager <

name>hive.compactor.initiator.on true <

property> hive.compactor.worker.threads1

>

为了提高查询速度，hive历史表与增量表这里都分桶，hive-xite.xml配置：

hive.enforce.bucketingtrue

为了提高reduce并行度，也设置一下：

set mapred.reduce.tasks = 50;

这个最好在hive命令行配置，表明只在当前程序使用该配置，就不要配置配置文件了。

历史库建表语句：

create external table if not exists hm2.history_helper ( guid string,

starttime string, endtime string, numint ) clustered by(guid) into 50 buckets

storedas orc TBLPROPERTIES ("transactional"="true");

当天增量表，保存去重后的guid，建表语句：

create table if not exists hm2.daily_helper ( guid string, dt string )

clusteredby(guid) into 50 buckets stored as orc TBLPROPERTIES ("transactional"=

"true");

思路

由于这种需要写成定时模式，所以这里用python脚本来实现，将hive查询结果保存到本地文件result.txt，然后python读取result.txt，连接数据库，保存当天的查询结果。

代码

helper.py

#!/usr/bin/python # -*- coding:utf-8 -*- # hive更新历史用户表，日常查询，保存到MySQL import sys

import datetime import commands import MySQLdb # 获取起始中间所有日期 def getDays

(starttime,endtime,regx): datestart=datetime.datetime.strptime(starttime,regx)

dateend=datetime.datetime.strptime(endtime,regx) days = []while

datestart<=dateend: days.append(datestart.strftime(regx))

datestart+=datetime.timedelta(days=1) return days # 获得指定时间的前 n

天的年、月、日,n取负数往前，否则往后 def getExacYes(day, regx, n): return

(datetime.datetime.strptime(day,regx) +

datetime.timedelta(days=n)).strftime(regx)# 获得距离现在天数的年、月、日,n

取值正负含义同上，昨天就是getYes(regx,-1) def getYes(regx, n): now_time =

datetime.datetime.now() yes_time = now_time + datetime.timedelta(days=n)

yes_time_nyr = yes_time.strftime(regx)return yes_time_nyr # 执行hive命令 def

execHive(cmd): print cmd res = commands.getstatusoutput(cmd) return res #

获得当前是星期几 def getWeek(regx): now_time = datetime.datetime.now() week =

now_time.strftime(regx)return week # 格式化日期，加上双引号 def formatDate(day): return

"\"" + day + "\"" # 数据保存到mysql def insertMysql(dt, path, tbName, regx): # new,

dayAll, stay values = [] with open(path) as file: line = file.readline() while

line: values.append(line.strip()) line = file.readline() dayAll = int(values[1

]) new = float(values[0])/dayAll old = 1 - new # 获取数据库连接 conn = MySQLdb.connect(

"0.0.0.0", "statistic", "123456", "statistic") # 获取游标 cursor = conn.cursor() #

查询昨天的用户人数 yesDay = getExacYes(dt, regx, -1) sql = 'select dayAll from %s where

dt = %s'%(tbName, formatDate(yesDay)) try: cursor.execute(sql) except Exception

as e: print e yesAll = int(cursor.fetchall()[0][0]) stay = float(values[2]) /

yesAllprint stay # 获取游标 cursor2 = conn.cursor() sql = 'insert into %s\

values("%s",%f,%f,%f,%d)'%(tbName, dt, new, old, stay, dayAll) print sql try:

cursor2.execute(sql) conn.commit()except: conn.rollback() finally: conn.close()

# 初始化，删除临时表，并且创建 def init(): # 设置分桶环境 cmd = 'source /etc/profile;hive -e \'set

hive.enforce.bucketing = true;set mapred.reduce.tasks = 50;\'' (status,result)

= execHive(cmd)# 清除当天的临时表，结果保存 cmd = 'source /etc/profile;hive -e \'drop table

hm2.daily_helper;\'' (status,result) = execHive(cmd) if status == 0: print

'%s昨天临时表删除完毕...'%(day) else: print result sys.exit(1) cmd = 'source

/etc/profile;hive -e \'create table if not exists hm2.daily_helper\ (\ guid

string,\ dt string\ )\ clustered by(guid) into 50 buckets \ stored as orc

TBLPROPERTIES ("transactional"="true");\'' (status,result) = execHive(cmd) if

status ==0: print '%s临时表创建完毕...'%(day) else: print result sys.exit(1) # 主函数入口 if

__name__ =='__main__': regx = '%Y-%m-%d' resultPath =

'/home/hadoop/statistic/flash/helper/result.txt' days = getDays('2018-07-01',

'2018-07-20',regx) tbName = 'statistic_flash_dailyActive_helper' for day in

days: init()# 当天数据去重后保存到临时表daily_helper cmd = 'source /etc/profile;hive -e

\'insert into hm2.daily_helper select distinct(guid),dt from hm2.helper \ where

dt = "%s" and guid is not null;\''%(day) print '%s数据正在导入临时表...'%(day)

(status,result) = execHive(cmd)if status == 0: print '%s数据导入临时表完毕...'%(day) else

:print result sys.exit(1) # guid存在则更新 endtime 与 num cmd = 'source

/etc/profile;hive -e \'update hm2.history_helper set endtime = "%s",num = num +

1 \ where guid in (select guid from hm2.daily_helper);\''%(day) print

'正在更新endtime 与 num...' (status,result) = execHive(cmd) if status == 0: print

'%s history_helper数据更新完毕'%(day) else : print result sys.exit(1) # 当天新用户 cmd =

'source /etc/profile;hive -e \'select count(1) from hm2.daily_helper \ where

guid not in (select guid from hm2.history_helper);\' > %s'%(resultPath)

(status,result) = execHive(cmd)if status != 0: print result sys.exit(1) # 不存在插入

cmd ='source /etc/profile;hive -e \'insert into hm2.history_helper\ select

daily.guid,dt,dt,1 from hm2.daily_helper daily\ where daily.guid not in (select

guid from hm2.history_helper where guid is not null);\'' print

'正在插入数据到history_helper表...' (status,result) = execHive(cmd) if status == 0:

print '%s数据插入hm2.history_helper表完成'%(day) else: print result sys.exit(1) # 当天总人数

cmd ='source /etc/profile;hive -e \'select count(1) from hm2.daily_helper;\'

>> %s'%(resultPath) (status,result) = execHive(cmd) if status != 0: print

result sys.exit(1) # 次日活跃留存 cmd = 'source /etc/profile;hive -e \'select

count(1) from\ (select guid from hm2.helper where dt = "%s" group by guid) yes\

inner join\ (select guid from hm2.helper where dt = "%s" group by guid) today\

where yes.guid = today.guid;\' >> %s'%(getExacYes(day, regx, -1), day,

resultPath) (status,result) = execHive(cmd)if status != 0: print result

sys.exit(1) # 结果保存到mysql insertMysql(day, resultPath, tbName, regx) print

'=========================%s hive

查询完毕，结果保存数据到mysql完成=============================='%(day)

这是在处理历史数据，然后就是每天定时处理了，在linux crontab里加个定时器任务

就好了。