Hive实战：词频统计

一、实战概述

• 在大数据实战中，我们利用Hive对存储在HDFS的文本数据进行词频统计。首先，我们在master虚拟机创建test.txt文件，并将其上传至HDFS的/hivewc/input目录作为输入源。随后启动Hive Metastore服务和客户端，创建名为t_word的外部表映射至该HDFS路径，使Hive能够直接访问并解析文本内容。为实现词频统计，精心编写了Hive SQL语句，运用explode和split函数将句子拆分单词，并通过子查询配合GROUP BY进行单词计数。最终成功执行SQL获取每个单词的出现频率，充分展示了Hive处理大规模文本数据的强大功能与灵活性，同时强调了在使用过程中如子查询别名等关键细节要点。

二、提出任务

• 文本文件test.txt

hello hadoop hello hive
hello hbase hello spark
we will learn hadoop
we will learn hive
we love hadoop spark

• 进行词频统计，结果如下

hadoop  3
hbase   1
hello   4
hive    2
learn   2 
love    1
spark   2
we      3
will    2

三、完成任务

（一）准备数据文件

1、在虚拟机上创建文本文件

• 在master虚拟机上创建test.txt文件
  

2、将文本文件上传到HDFS指定目录

• 在HDFS上创建/hivewc/input目录
  
• 将test.txt文件上传到HDFS的/hivewc/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：`cd /opt/module/hive/``
• 再 hive这是我的hive启动方式，有可能你们的方式不一样
  
• 一旦我们看到命令提示符hive>，就表示我们已经成功进入Hive客户端。
  

3、基于HDFS文件创建外部表

• 基于/hivewc/input下的文件创建外部表t_word，执行命令：create external table t_word(word string) location '/hivewc/input';
  

• 在查看hive数据库中的表之前，应该先进入mysql，执行use metastore;命令，以此来指定数据库来执行操作。
  

• 在MySQL的hive数据库的TBLS表里，我们可以查看外部表t_word对应的记录。
  

• 加载成绩数据文件到内部表t_score，执行命令：load data inpath '/hivewc/input/test.txt' into table t_word;
  

4、查询单词表，所有单词成一列

• 查看单词表记录，执行语句：select word from t_word;
  

• 按空格拆分行数据，执行语句：select split(word , ' ') from t_word;
  

• 让单词成一列，执行语句：select explode(split(word , ' ')) as word from t_word;
  

5、基于查询结果创建视图

• 基于查询结果创建了一个视图v_word，执行语句：create view v_word as select explode(split(word , ' ')) as word from t_word;
  

• 查询视图的全部记录，执行语句：select word from v_word;
  

6、基于视图进行分组统计

• 基于视图分组统计操作，执行语句：select word, count(*) from v_word group by word;
• 执行后我的会报这个错误，那么在此之前执行set hive.exec.mode.local.auto=true;命令，然后再次执行语句
  
  

7、基于嵌套查询一步搞定

• 为了更简便地实现相同的效果，使用嵌套查询：SELECT word, COUNT(*) FROM (SELECT explode(split(word, ' ')) AS word FROM t_word) AS v_word GROUP BY word;
  

四、总结

• 该SQL语句通过一系列操作对名为t_word的表中的单词进行统计分析。首先，利用split函数按空格分割word字段内容，形成单词数组；接着，借助explode函数将数组转换为多行记录，每一行代表原字符串中的一个独立单词，并赋予这个临时结果集别名v_word。进一步地，对新生成的v_word表以word字段进行GROUP BY操作，即将所有相同的单词聚合在一起。最后，运用COUNT(*)函数计算每个分组（即每个单词）的数量，从而得出各个单词在原始数据集中出现的频率，实现了对t_word表中单词使用情况的详细统计。