如何使用Hive进行大数据分析

来自IBM官方网站的一篇文章，Analyzing large datasets with Hive，有关Hive介绍按这里 。文章以电话公司的电话呼叫数据 Call Data Records (CDRs) 为案例进行分析， 呼叫数据有如下：

订户主叫方电话号码subscriberPhone

接收方电话号码recipientPhone

启动时间戳timestamp

通话时间duration

计费的电话号码billingPhone

电话交换设备ID

记录ID

处置或通话(呼叫状态是否繁忙或失败的结果)

所经过的路由交换呼叫进入

所经过的路由交换呼叫离开

呼叫类型(语音，短信等)

另外，在有关通讯底层网络方面还有一份数据network logs，如下：

事件的时间戳dtstamp

IMSI(与蜂窝网络相关的一个唯一的ID)

IMEI(吞吐量的移动电话的一个唯一的ID)

呼叫类型(语音通话，短信等的代码)

细胞类型(代码类型的蜂窝塔记录此信息)

小区ID(ID记录此信息的蜂窝塔)

订户电话号码

纬度(地理坐标塔)

经度(地理坐标塔)

下面我们可以通过Hive将 A (CDR) 和 B (network logs)两份数据结合起来分析。能够得到哪个手机信号塔发出大量调用？另外一个重要分析是获知基站在一天中不同时间的运作模式，以及哪些集线器连接最多的电话呼叫。

我们建立一个表correlation来收集CDR和network两份数据，通过如下Hive创建表：

hive> create table correlation(
timestamp string, subscriberPhone string, \
recipientPhone string, duration int, \
billingPhone string, exchangeID string, \
recordID string, callResult string, \
entryRoute string, exitRoute string, \
callType string, dtstamp string, \
minute int, second int, \
IMSI string, IMEI string, \
callType string, cellType string, \
cellID string, subscriberPhone string, \
cellLat string, cellLon string) \
partitioned by (dt string, hour int) \
location '/mnt/user/hive/warehouse/correlation'
该表的分区partitioned是以时间为标识，当我们向该表插入数据时，注意 partitioned，如下是使用Hive的Join语法将CDR和network两份数据按照一定条件筛选后插入该表。
使用Inner内联Join语法如下：
hive> insert overwrite table correlation \
partition(dt=20130101, hour=12) \
select cdr.timestamp, cdr.subscriberPhone, \
cdr.recipientPhone, cdr.duration, \
cdr.billingPhone, cdr.exchangeID, \
cdr.recordID, cdr.callResult, \
cdr.entryRoute, cdr.exitRoute, \
cdr.callType, \
net.dtstamp, net.minute \
net.second, net.IMSI, \
net.IMEI, net.callType, \
net.cellType, net.cellID, \
net.subscriberPhone, net.cellLat, \
net.cellLon \
from cdr join net\
on (cdr.subscriberPhone = net.subscriberPhone) \
where combine(net.dtstamp, \
net.hour, \
net.minute, \
net.second) <= cdr.timestamp \
and cdr.timestamp like '2013010112% \
and net.dtstamp like '20130101' \
and net.hour = 12;
这条语句是选择性的插入数据，这个选择条件是network的数据时间要小于等于CDR的时间。
注意这里有一个combine函数，这是Hive的UDF。
下面我们将使用Hive UDF( user-defined function)来定义上述条件的combine， UDF是用户自己定义优化的功能函数，通过用户导入到Hive的command-line interface (CLI)，然后能够反复使用，一般这个函数是一个Java class
这里UDF被定义成combine(), 将日期 小时 分钟和秒组合成格式：yyyyMMddHHMMSS. DateCombiner UDF Java 类如下.
package HiveUDF;
import org.apache.hadoop.hive.ql.exec.UDF;
public final class DateCombiner extends UDF (
public String evaluate(final String dt, final String hh, final String mm,
final String ss) {
it(dt==null) { return null; }
String ho="", mi="", se="",
if(hh.length() != 2) { ho = "0".concat(hh); } else { ho = hh; }
if(mm.length() != 2) { mi = "0".concat(mm); } else { mi = mm; }
if(ss.length() != 2) { se = "0".concat(ss); } else { se = ss; }
return new String(dt + ho + mi + se);
}
}
继承GenericUDF性能更好些。支持懒加载等。
打包：
$javac -cp /apps/hive/lib/hive-exec-0.7.1-cdh3u3.jar DateCombiner.java
$ jar cf HiveUDF.jar HiveUDF/
将jar包加入Hive CLI:
hive> add jar /home/verrami1/work/JARS/HiveUDF.jar;
hive> create temporary function combine as 'HiveUDF.DateCombiner';

这样前面Where语句中combine函数将执行我们自己定义的方法。