大数据基础课程设计报告

大数据基础课程设计报告

一、项目简介：

使用hadoop中的hive、mapreduce以及HBASE对网上的一个搜狗五百万的数进行了一个比较实际的数据分析。搜狗五百万数据，是经过处理后的搜狗搜索引擎生产数据，具有真实性，大数据性，能够较好的满足分布式计算应用开发课程设计的数据要求。

搜狗数据的数据格式为：访问时间\t 用户ID\t[查询词]\t 该URL 在返回结果中的排名\t 用户点击的顺序号\t 用户点击的URL。其中，用户ID 是根据用户使用浏览器访问搜索引擎时的Cookie 信息自动赋值，即同一次使用浏览器输入的不同查询对应同一个用户ID。

二、操作要求

1.将原始数据加载到HDFS平台。

2.将原始数据中的时间字段拆分并拼接，添加年、月、日、小时字段。

3.将处理后的数据加载到HDFS平台。

4.以下操作分别通过MR和Hive实现。

●查询总条数

●非空查询条数

●无重复总条数

●独立UID总数

●查询频度排名（频度最高的前50词）

●查询次数大于2次的用户总数

●查询次数大于2次的用户占比

●Rank在10以内的点击次数占比

●直接输入URL查询的比例

●查询搜索过”仙剑奇侠传“的uid，并且次数大于3

5.将4每步骤生成的结果保存到HDFS中。

6.将5生成的文件通过Java API方式导入到HBase（一张表）。

7.通过HBase shell命令查询6导出的结果。

三、实验流程

1.将原始数据加载到HDFS平台

2.将原始数据中的时间字段拆分并拼接，添加年、月、日、小时字段

（1）编写1个脚本sogou-log-extend.sh，其中sogou-log-extend.sh的内

容为：

处理脚本文件：

bash sogou-log-extend.sh sogou.500w.utf8 sogou.500w.utf8.ext

结果为：

3.将处理后的数据加载到HDFS平台

hadoop fs -put sogou.500w.utf8.ext /

4.以下操作分别通过MR和Hive实现

Ⅰ.hive实现

1.查看数据库：show databases;

2.创建数据库: create database sogou;

3.使用数据库: use sogou;

4.查看所有表：show tables;

5.创建sougou表：Create table sogou(time string,uuid string,name string,num1 int,num2 int,url string) Row format delimited fields terminated by '\t';

6.将本地数据导入到Hive表里：Load data local inpath

'/root/sogou.500w.utf8' into table sogou;

7.查看表信息：desc sogou;

（1）查询总条数

select count(*) from sogou;

（2）非空查询条数

select count(*) from sogou where name is not null and name !='';

（3）无重复总条数

select count(*) from (select * from sogou group by

time,num1,num2,uuid,name,url having count(*)=1) a;

（4）独立UID总数

select count(distinct uuid) from sogou;

（5）查询频度排名（频度最高的前50词）

select name,count(*) as pd from sogou group by name order by pd desc limit 50;

（6）查询次数大于2次的用户总数

select count(a.uuid) from (select uuid,count(*) as cnt from sogou group by uuid having cnt > 2) a;

（7）查询次数大于2次的用户占比

select count(*) from (select uuid,count(*) as cnt from sogou group by uuid having cnt > 2) a;

（8）Rank在10以内的点击次数占比

select count(*) from sogou where num1<11;

（9）直接输入URL查询的比例

select count(*) from sogou where url like '%www%';

（10）查询搜索过”仙剑奇侠传“的uid，并且次数大于3 select uuid ,count(*) as uu from sogou where name='仙剑奇侠传' group

by uuid having uu>3;

Ⅱ.MapReduce实现(import的各种包省略)

（1）查询总条数

public class MRCountAll {

public static Integer i = 0;

public static boolean flag = true;

public static class CountAllMap extends Mapper { @Override

protected void map(Object key, Text value, Mapper.Context context)

throws IOException, InterruptedException {

i++;

}

}