Hive學習之路 （十二）Hive SQL練習之影評案例

案例說明

現有如此三份數據：
1、users.dat 數據格式為： 2::M::56::16::70072，

共有6040條數據
對應字段為：UserID BigInt, Gender String, Age Int, Occupation String, Zipcode String
對應字段中文解釋：用戶id，性別，年齡，職業，郵政編碼

2、movies.dat 數據格式為： 2::Jumanji (1995)::Adventure|Children's|Fantasy，

共有3883條數據
對應字段為：MovieID BigInt, Title String, Genres String
對應字段中文解釋：電影ID，電影名字，電影類型

3、ratings.dat 數據格式為： 1::1193::5::978300760，

共有1000209條數據
對應字段為：UserID BigInt, MovieID BigInt, Rating Double, Timestamped String
對應字段中文解釋：用戶ID，電影ID，評分，評分時間戳

題目要求

　　數據要求：
　　　　（1）寫shell腳本清洗數據。（hive不支持解析多字節的分隔符，也就是說hive只能解析':', 不支持解析'::'，所以用普通方式建表來使用是行不通的，要求對數據做一次簡單清洗）
　　　　（2）使用Hive能解析的方式進行

　　Hive要求：
　　　　（1）正確建表，導入數據（三張表，三份數據），並驗證是否正確

　　　　（2）求被評分次數最多的10部電影，並給出評分次數（電影名，評分次數）

　　　　（3）分別求男性，女性當中評分最高的10部電影（性別，電影名，影評分）

　　　　（4）求movieid = 2116這部電影各年齡段（因為年齡就只有7個，就按這個7個分就好了）的平均影評（年齡段，影評分）

　　　　（5）求最喜歡看電影（影評次數最多）的那位女性評最高分的10部電影的平均影評分（觀影者，電影名，影評分）

　　　　（6）求好片（評分>=4.0）最多的那個年份的最好看的10部電影

　　　　（7）求1997年上映的電影中，評分最高的10部Comedy類電影

　　　　（8）該影評庫中各種類型電影中評價最高的5部電影（類型，電影名，平均影評分）

　　　　（9）各年評分最高的電影類型（年份，類型，影評分）

　　　　（10）每個地區最高評分的電影名，把結果存入HDFS（地區，電影名，影評分）

數據下載

https://files.cnblogs.com/files/qingyunzong/hive%E5%BD%B1%E8%AF%84%E6%A1%88%E4%BE%8B.zip

解析

之前已經使用MapReduce程序將3張表格進行合並，所以只需要將合並之后的表格導入對應的表中進行查詢即可。

1、正確建表，導入數據（三張表，三份數據），並驗證是否正確

（1）分析需求

需要創建一個數據庫movie，在movie數據庫中創建3張表，t_user，t_movie，t_rating

t_user:userid bigint,sex string,age int,occupation string,zipcode string
t_movie:movieid bigint,moviename string,movietype string
t_rating:userid bigint,movieid bigint,rate double,times string

原始數據是以::進行切分的，所以需要使用能解析多字節分隔符的Serde即可

使用RegexSerde

需要兩個參數：
input.regex = "(.*)::(.*)::(.*)"
output.format.string = "%1$s %2$s %3$s"

（2）創建數據庫

drop database if exists movie;
create database if not exists movie;
use movie;

（3）創建t_user表

create table t_user(
userid bigint,
sex string,
age int,
occupation string,
zipcode string) 
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe' 
with serdeproperties('input.regex'='(.*)::(.*)::(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s %4$s %5$s')
stored as textfile;

（4）創建t_movie表

use movie;
create table t_movie(
movieid bigint,
moviename string,
movietype string) 
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe' 
with serdeproperties('input.regex'='(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s')
stored as textfile;

（5）創建t_rating表

use movie;
create table t_rating(
userid bigint,
movieid bigint,
rate double,
times string) 
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe' 
with serdeproperties('input.regex'='(.*)::(.*)::(.*)::(.*)','output.format.string'='%1$s %2$s %3$s %4$s')
stored as textfile;

（6）導入數據

0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/users.dat" into table t_user;
No rows affected (0.928 seconds)
0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/movies.dat" into table t_movie;
No rows affected (0.538 seconds)
0: jdbc:hive2://hadoop3:10000> load data local inpath "/home/hadoop/movie/ratings.dat" into table t_rating;
No rows affected (0.963 seconds)
0: jdbc:hive2://hadoop3:10000> 

（7）驗證

select t.* from t_user t;

select t.* from t_movie t;

select t.* from t_rating t;

2、求被評分次數最多的10部電影，並給出評分次數（電影名，評分次數）

（1）思路分析：

　　1、需求字段：電影名        t_movie.moviename

　　　　　　　　  評分次數    t_rating.rate          count()

　　2、核心SQL：按照電影名進行分組統計，求出每部電影的評分次數並按照評分次數降序排序

（2）完整SQL：

create table answer2 as 
select a.moviename as moviename,count(a.moviename) as total 
from t_movie a join t_rating b on a.movieid=b.movieid 
group by a.moviename 
order by total desc 
limit 10;

select * from answer2;

3、分別求男性，女性當中評分最高的10部電影（性別，電影名，影評分）

 （1）分析思路：

　　1、需求字段：性別　　t_user.sex

　　　　　　　　  電影名　t_movie.moviename

　　　　　　　　  影評分　t_rating.rate

　　2、核心SQL：三表聯合查詢，按照性別過濾條件，電影名作為分組條件，影評分作為排序條件進行查詢

（2）完整SQL：

女性當中評分最高的10部電影（性別，電影名，影評分）評論次數大於等於50次

create table answer3_F as 
select "F" as sex, c.moviename as name, avg(a.rate) as avgrate, count(c.moviename) as total  
from t_rating a 
join t_user b on a.userid=b.userid 
join t_movie c on a.movieid=c.movieid 
where b.sex="F" 
group by c.moviename 
having total >= 50
order by avgrate desc 
limit 10;

select * from answer3_F；

男性當中評分最高的10部電影（性別，電影名，影評分）評論次數大於等於50次

create table answer3_M as 
select "M" as sex, c.moviename as name, avg(a.rate) as avgrate, count(c.moviename) as total  
from t_rating a 
join t_user b on a.userid=b.userid 
join t_movie c on a.movieid=c.movieid 
where b.sex="M" 
group by c.moviename 
having total >= 50
order by avgrate desc 
limit 10;

select * from answer3_M；

 

4、求movieid = 2116這部電影各年齡段（因為年齡就只有7個，就按這個7個分就好了）的平均影評（年齡段，影評分）

（1）分析思路：

　　1、需求字段：年齡段　　t_user.age

　　　　　　　　  影評分　t_rating.rate

　　2、核心SQL：t_user和t_rating表進行聯合查詢，用movieid=2116作為過濾條件，用年齡段作為分組條件

（2）完整SQL：

create table answer4 as 
select a.age as age, avg(b.rate) as avgrate 
from t_user a join t_rating b on a.userid=b.userid 
where b.movieid=2116 
group by a.age;

select * from answer4;

5、求最喜歡看電影（影評次數最多）的那位女性評最高分的10部電影的平均影評分（觀影者，電影名，影評分）

（1）分析思路：

　　1、需求字段：觀影者　t_rating.userid

　　　　　　　　  電影名　t_movie.moviename

　　　　　　　　  影評分　t_rating.rate

　　2、核心SQL：

　　　　A.　　需要先求出最喜歡看電影的那位女性

　　　　　　　　　　需要查詢的字段：性別：t_user.sex

　　　　　　　　　　　　　　　　　　觀影次數：count(t_rating.userid)

　　　　B.　　根據A中求出的女性userid作為where過濾條件，以看過的電影的影評分rate作為排序條件進行排序，求出評分最高的10部電影

　　　　　　　　　　需要查詢的字段：電影的ID：t_rating.movieid

　　　　C.　　求出B中10部電影的平均影評分

　　　　　　　　　　需要查詢的字段：電影的ID：answer5_B.movieid

　　　　　　　　　　　　　　　　　　影評分：t_rating.rate

（2）完整SQL：

 A.　　需要先求出最喜歡看電影的那位女性

select a.userid, count(a.userid) as total 
from t_rating a join t_user b on a.userid = b.userid 
where b.sex="F" 
group by a.userid 
order by total desc 
limit 1;

B.　　根據A中求出的女性userid作為where過濾條件，以看過的電影的影評分rate作為排序條件進行排序，求出評分最高的10部電影

create table answer5_B as 
select a.movieid as movieid, a.rate as rate  
from t_rating a 
where a.userid=1150 
order by rate desc 
limit 10;

select * from answer5_B;

C.　　求出B中10部電影的平均影評分

create table answer5_C as 
select b.movieid as movieid, c.moviename as moviename, avg(b.rate) as avgrate 
from answer5_B a 
join t_rating b on a.movieid=b.movieid 
join t_movie c on b.movieid=c.movieid 
group by b.movieid,c.moviename;

select * from answer5_C;

6、求好片（評分>=4.0）最多的那個年份的最好看的10部電影

（1）分析思路：

　　1、需求字段：電影id　t_rating.movieid

　　　　　　　　  電影名　t_movie.moviename（包含年份）

　　　　　　　　  影評分　t_rating.rate

　　　　　　　　  上映年份　xxx.years

　　2、核心SQL：

　　　　A.　　需要將t_rating和t_movie表進行聯合查詢，將電影名當中的上映年份截取出來，保存到臨時表answer6_A中

　　　　　　　　　　需要查詢的字段：電影id　t_rating.movieid

　　　　　　　　　　　　　　　　　　電影名　t_movie.moviename（包含年份）

　　　　　　　　　　　　　　　　　　影評分　t_rating.rate

　　　　B.　　從answer6_A按照年份進行分組條件，按照評分>=4.0作為where過濾條件，按照count(years)作為排序條件進行查詢

　　　　　　　　　　需要查詢的字段：電影的ID：answer6_A.years

　　　　C.　　從answer6_A按照years=1998作為where過濾條件，按照評分作為排序條件進行查詢

　　　　　　　　　　需要查詢的字段：電影的ID：answer6_A.moviename

　　　　　　　　　　　　　　　　　　影評分：answer6_A.avgrate

（2）完整SQL：

A.　　需要將t_rating和t_movie表進行聯合查詢，將電影名當中的上映年份截取出來

create table answer6_A as
select  a.movieid as movieid, a.moviename as moviename, substr(a.moviename,-5,4) as years, avg(b.rate) as avgrate
from t_movie a join t_rating b on a.movieid=b.movieid 
group by a.movieid, a.moviename;

select * from answer6_A;

B.　　從answer6_A按照年份進行分組條件，按照評分>=4.0作為where過濾條件，按照count(years)作為排序條件進行查詢

select years, count(years) as total 
from answer6_A a 
where avgrate >= 4.0 
group by years 
order by total desc 
limit 1;

C.　　從answer6_A按照years=1998作為where過濾條件，按照評分作為排序條件進行查詢

create table answer6_C as
select a.moviename as name, a.avgrate as rate 
from answer6_A a 
where a.years=1998 
order by rate desc 
limit 10;

select * from answer6_C;

7、求1997年上映的電影中，評分最高的10部Comedy類電影

（1）分析思路：

　　1、需求字段：電影id　t_rating.movieid

　　　　　　　　  電影名　t_movie.moviename（包含年份）

　　　　　　　　  影評分　t_rating.rate

　　　　　　　　 上映年份　xxx.years（最終查詢結果可不顯示）

　　　　　　　　 電影類型　xxx.type（最終查詢結果可不顯示）

　　2、核心SQL：

　　　　A.　　需要電影類型，所有可以將第六步中求出answer6_A表和t_movie表進行聯合查詢

　　　　　　　　　　需要查詢的字段：電影id　answer6_A.movieid

　　　　　　　　　　　　　　　　　　電影名　answer6_A.moviename

　　　　　　　　　　　　　　　　　　影評分　answer6_A.rate

　　　　　　　　　　　　　　　　　　電影類型　t_movie.movietype　

　　　　　　　　　　　　　　　　　　上映年份　answer6_A.years

　　　　B.　　從answer7_A按照電影類型中是否包含Comedy和按上映年份作為where過濾條件，按照評分作為排序條件進行查詢，將結果保存到answer7_B中

　　　　　　　　　　需要查詢的字段：電影的ID：answer7_A.id

　　　　　　　　　　　　　　　　　　電影的名稱：answer7_A.name

　　　　　　　　　　　　　　　　　　電影的評分：answer7_A.rate

（2）完整SQL：

A.　　需要電影類型，所有可以將第六步中求出answer6_A表和t_movie表進行聯合查詢

create table answer7_A as 
select b.movieid as id, b.moviename as name, b.years as years, b.avgrate as rate, a.movietype as type 
from t_movie a join answer6_A b on a.movieid=b.movieid;

select t.* from answer7_A t;

B.　　從answer7_A按照電影類型中是否包含Comedy和按照評分>=4.0作為where過濾條件，按照評分作為排序條件進行查詢，將結果保存到answer7_B中

create table answer7_B as 
select t.id as id, t.name as name, t.rate as rate 
from answer7_A t 
where t.years=1997 and instr(lcase(t.type),'comedy') >0 
order by rate desc
limit 10;

select * from answer7_B;

8、該影評庫中各種類型電影中評價最高的5部電影（類型，電影名，平均影評分）

（1）分析思路：

　　1、需求字段：電影id　movieid

　　　　　　　　  電影名　moviename

　　　　　　　　  影評分　rate（排序條件）

　　　　　　　　 電影類型　type（分組條件）

　　2、核心SQL：

　　　　A.　　需要電影類型，所有需要將answer7_A中的type字段進行裂變，將結果保存到answer8_A中

　　　　　　　　　　需要查詢的字段：電影id　answer7_A.id

　　　　　　　　　　　　　　　　　　電影名　answer7_A.name（包含年份）

　　　　　　　　　　　　　　　　　　上映年份　answer7_A.years

　　　　　　　　　　　　　　　　　　影評分　answer7_A.rate

　　　　　　　　　　　　　　　　　　電影類型　answer7_A.movietype　

　　　　B.　　求TopN，按照type分組，需要添加一列來記錄每組的順序，將結果保存到answer8_B中

row_number() ：用來生成 num字段的值

distribute by movietype ：按照type進行分組

sort by avgrate desc ：每組數據按照rate排降序

num：新列， 值就是每一條記錄在每一組中按照排序規則計算出來的排序值

　　　　C.　　從answer8_B中取出num列序號<=5的

（2）完整SQL：

A.　　需要電影類型，所有需要將answer7_A中的type字段進行裂變，將結果保存到answer8_A中

create table answer8_A as 
select a.id as id, a.name as name, a.years as years, a.rate as rate, tv.type as type 
from answer7_A a 
lateral view explode(split(a.type,"\\|")) tv as type;

select * from answer8_A; 

B.　　求TopN，按照type分組，需要添加一列來記錄每組的順序，將結果保存到answer8_B中

create table answer8_B as 
select id,name,years,rate,type,row_number() over(distribute by type sort by rate desc ) as num
from answer8_A;

select * from answer8_B;

C.　　從answer8_B中取出num列序號<=5的

select a.* from answer8_B a where a.num <= 5;

9、各年評分最高的電影類型（年份，類型，影評分）

（1）分析思路：

　　1、需求字段：電影id　movieid

　　　　　　　　  電影名　moviename

　　　　　　　　  影評分　rate（排序條件）

　　　　　　　　  電影類型　type（分組條件）

　　　　　　　　 上映年份　years（分組條件）

　　2、核心SQL：

　　　　A.　　需要按照電影類型和上映年份進行分組，按照影評分進行排序，將結果保存到answer9_A中

　　　　　　　　　　需要查詢的字段：

　　　　　　　　　　　　　　　　　　上映年份　answer7_A.years

　　　　　　　　　　　　　　　　　　影評分　answer7_A.rate

　　　　　　　　　　　　　　　　　　電影類型　answer7_A.movietype　

　　　　B.　　求TopN，按照years分組，需要添加一列來記錄每組的順序，將結果保存到answer9_B中

　　　　C.　　按照num=1作為where過濾條件取出結果數據

（2）完整SQL：

A.　　需要按照電影類型和上映年份進行分組，按照影評分進行排序，將結果保存到answer9_A中

create table answer9_A as 
select a.years as years, a.type as type, avg(a.rate) as rate 
from answer8_A a 
group by a.years,a.type 
order by rate desc;

select * from answer9_A;

B.　　求TopN，按照years分組，需要添加一列來記錄每組的順序，將結果保存到answer9_B中

create table answer9_B as 
select years,type,rate,row_number() over (distribute by years sort by rate) as num
from answer9_A;

select * from answer9_B;

C.　　按照num=1作為where過濾條件取出結果數據

select * from answer9_B where num=1;

10、每個地區最高評分的電影名，把結果存入HDFS（地區，電影名，影評分）

（1）分析思路：

　　1、需求字段：電影id　t_movie.movieid

　　　　　　　　  電影名　t_movie.moviename

　　　　　　　　  影評分　t_rating.rate（排序條件）

　　　　　　　　  地區　t_user.zipcode（分組條件）

　　2、核心SQL：

　　　　A.　　需要把三張表進行聯合查詢，取出電影id、電影名稱、影評分、地區，將結果保存到answer10_A表中

　　　　　　　　　　需要查詢的字段：電影id　t_movie.movieid

　　　　　　　　  　　　　　　　　　 電影名　t_movie.moviename

　　　　　　　　  　　　　　　　　　 影評分　t_rating.rate（排序條件）

　　　　　　　　  　　　　　　　　　 地區　t_user.zipcode（分組條件）

　　　　B.　　求TopN，按照地區分組，按照平均排序，添加一列num用來記錄地區排名，將結果保存到answer10_B表中

　　　　C.　　按照num=1作為where過濾條件取出結果數據

（2）完整SQL：

 A.　　需要把三張表進行聯合查詢，取出電影id、電影名稱、影評分、地區，將結果保存到answer10_A表中

create table answer10_A as
select c.movieid, c.moviename, avg(b.rate) as avgrate, a.zipcode
from t_user a 
join t_rating b on a.userid=b.userid 
join t_movie c on b.movieid=c.movieid 
group by a.zipcode,c.movieid, c.moviename;

select t.* from answer10_A t;

B.　　求TopN，按照地區分組，按照平均排序，添加一列num用來記錄地區排名，將結果保存到answer10_B表中

create table answer10_B as
select movieid,moviename,avgrate,zipcode, row_number() over (distribute by zipcode sort by avgrate) as num 
from answer10_A; 

select t.* from answer10_B t;

C.　　按照num=1作為where過濾條件取出結果數據並保存到HDFS上

insert overwrite directory "/movie/answer10/" select t.* from answer10_B t where t.num=1;