如何使用Hive&R從Hadoop集群中提取數據進行分析

一個簡單的例子！

環境：CentOS6.5

Hadoop集群、Hive、R、RHive，具體安裝及調試方法見博客內文檔。

1、分析題目

--有一個用戶數據樣本（表名huserinfo）10萬數據左右；
--其中有一個字段：身份證號（id_card）
--身份證號前兩位代表：省，例如：11北京，12天津，13河北；
--身份證前x位對照表（表名hidcard_province）
--要求1：計算出每個省份出現的次數，並按從大到小排序取前30個；
--要求2：使用R畫出柱狀圖。

 

2、編寫Hive提取數據腳本：hive_getdata.sql

--創建臨時表
DROP TABLE if exists tmp.t_province;
CREATE TABLE tmp.t_province(
    id int,
    p_name string,
    cnt int
) COMMENT '用戶數據中省份出現次數臨時表'

--將提取到的數據保存到臨時表中
insert overwrite table tmp.t_province
select t1.cid, t2.province, t1.cnt from(
    --取出前30條
    select y.rownum, y.cid, y.cnt from(
        --排序
        select x.cid, x.cnt, row_number() over (distribute by x.cnt sort by x.cnt desc) as rownum from(
            --分組
            select a1.cid, count(1) as cnt from
                --取數據
                (select substring(id_card, 0, 2) as cid from bdm.huserinfo)a1
            group by a1.cid
        )x
    )y where y.rownum <= 30
)t1
join bdm.hidcard_province t2 on t2.id = t1.cid

運行：

[root@Hadoop-NN-01 ~]$ hive -f hive_getdata.sql

查看數據如下圖：

hive> select * from tmp.t_province limit 10;

 

3、編寫R語言繪圖腳本：r_draw.r

#!/usr/bin/Rscript
library(RHive);　　#加載rhive包
rhive.connect(host ='192.168.100.20');　　#rhive連接hive
x <- rhive.query('select id from tmp.t_province')
x <- x$id
y <- rhive.query('select cnt from tmp.t_province')
y <- y$cnt

library(Cairo)　　 #加載圖形渲染庫

png("r-province-pic.png", width=960, height=600)　　#生成圖片

#說明：此里可以處理很多問題，可以使用很多算法解決很多的問題，具體算法我就不寫了，只簡單畫個柱柱圖，把代碼跑通即可！
barplot(beside=TRUE,
    y,　　             #縱軸
    names.arg=x,　　   #橫軸
    ylim=c(0,10000)　　#縱軸取值范圍　　還有其它參數，可以根據自己需求設置。
)

title(xlab="province name") #橫軸名稱
title(ylab="people number") #縱軸名稱

#圖例參數
lbls <- round(y/sum(y)*100)
lbls <- paste(lbls,"%",sep="")
lbls <- paste(x, lbls)

#設置圖例 其它參數根據自己需求設置
legend("topright", lbls)

dev.off()       #關閉繪圖設備
rhive.close()   #關閉hive連接

運行：

[root@Hadoop-NN-01 ~]$ Rscript r_draw.r

展示成果：

至此，一個簡單的Hadoop-Hive-R實例完成！

PS：R下面中文亂碼的問題仍在解決中！