mysql每天老用户_每天新老用户，日活，周活，月活的hive计算

文章目录思路代码

交了3年的女朋友不理我了，她说我连SVM都不会？

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.concurrency

true

hive.exec.dynamic.partition.mode

nonstrict

hive.txn.manager

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

hive.compactor.initiator.on

true

hive.compactor.worker.threads

1

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.bucketing

true

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,

num int

)

clustered by(guid) into 50 buckets

stored as 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

)

clustered by(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]) / yesAll

print 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。

分享一个大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到人工智能的队伍中来！

点击浏览教程