Hive实战：词频统计

一、实战概述

在本次实战任务中，我们的目标是在大数据环境下利用Hive工具进行词频统计。以下是详细步骤和关键操作的优化描述：

1. 数据源准备：- 将测试用的文本文件test.txt上传到HDFS的/hivewc/input目录，以便Hive高效访问数据。
2. Hive环境准备：- 启动Hive Metastore服务，确保Hive元数据存储正常运行。- 启动Hive客户端，方便后续的数据操作和查询。
3. 数据表创建：- 在Hive客户端中创建一个名为t_word的外部表，仅包含一个word字段，类型为字符串，用于存储拆分后的单词。- 将表的位置设置为HDFS中的/hivewc/input目录，实现Hive与HDFS数据的无缝对接。
4. 词频统计逻辑实现：- 使用一条优化过的Hive SQL语句实现词频统计。该语句利用explode和split函数高效拆分每个句子为单个单词。- 通过子查询和分组操作对单词进行计数，确保准确统计每个单词的频率。
5. 结果分析与展望：- 执行优化后的SQL语句，高效完成词频统计任务，并获得准确结果。- 通过这个实战任务，加深对Hive的理解和应用能力，为今后的数据处理工作积累经验。- 在大数据分析和处理任务中，这些经验将发挥重要的指导作用。

二、提出任务

• 对以下数据进行，进行词频统计

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

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、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：hive，看到命令提示符hive>

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(line string) LOCATION '/hivewc/input';
• 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。

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 line FROM t_word;
• 按空格拆分行数据，执行语句：SELECT split(line, ' ') FROM t_word;
• 让单词成一列，执行语句：SELECT explode(split(line, ' ')) 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(line, ' ')) 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;

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(line, ' ')) AS word FROM t_word) AS v_word GROUP BY word; 注意，这里在嵌套查询中，我们为子查询取了一个别名，这个别名是v_word。

这条SQL语句是在处理一个名为t_word的表，该表中有一个word字段，该字段存储的是由空格分隔的单词字符串。

首先，使用explode(split(line, ’ ')) AS word从t_word表中的每一行word字段创建一个新的临时表（别名v_word）。这里split(word, ’ ')函数将每个word字段的内容按照空格分割成多个单词，并生成一个多行的结果集，每行包含一个单词。

explode函数则将这个分割后的数组转换为多行记录，即每一行对应原字符串中的一个单词。

然后，通过GROUP BY word对新生成的临时表v_word中的word字段进行分组，即将所有相同的单词归为一组。

最后，使用COUNT(*)统计每个单词分组的数量，结果将展示每个单词及其在原始数据集中出现的次数。

整个查询的目的在于统计t_word表中各个单词出现的频率。