Hive处理数据的头脑风暴

Hive虽然强大，但是我们遇到的业务需求必定是千奇百怪的。

往往在数据库中，通过游标来实现的数据读取，再回代到绑定变量的SQL里面进行查询在Hive时代已经不复存在。

 

举个例子，解析用户最近一年产品购买的金额。时间日期按照最近一次购买倒推一年。

原本我在Oracle数据库里面是通过游标+SQL绑定回查完成的。

 

现在用Hive，我觉得应该这么写：

select user_id,sum(pay_amount)
from(
select a.user_id,a.pay_amount,a.pay_date, b.last_pay_date
from src_tbl a 
left outer join (
    select user_id, min(pay_date) last_pay_date from src_tbl 
    group by user_id
    ) b
where a.pay_date > b.last_pay_date - 1 year
)group by user_id

 思路是，如果一个表的数据会互相关联，

则需要将处理好的结果集，关联到原来的表上面，作为条件的一部分。

 

那么在做日志解析的时候，我们会遇到访客，和访次的概念。

对于在2个小时之内的访问，我们认为是访问一次，对于两个小时之外的访问，我们认定是再次访问。

也就是是说，最新一次访问，与上一次访问之间间隔超过2个小时，则算是第二次访问。

用Hive来做过滤。

 

理一下思路：

select cookie_id, min(visit_time)

from web_log

group by cookie_id

用上面的计算来求出每个Cookie的第一次访问。

然后把这个访客的第一次访问的数据清理出来

 

select *

from web_log a

left outer join (

select cookie_id, min(visit_time) first_visit

from web_log

group by cookie_id

) b

on a.cookie_id = b.cookie_id

where a.visit_time > first_visit + 2 hours

 

这样就取出了一些第二次访问的客户数据了。

重复5-6次。

这样就可以计算出到底有多少防次访问了网站。

虽然不一定是最优解，不知道还有没有更好的办法呢？？

 

想到一个方法，在Reduce阶段，用Distribute By cookie_id。

然后使用Python脚本进行编程。

取一条登陆记录，取其访问的时间。用变量保存。

然后再取一条记录，

如果新的记录的访问时间与上一次的访问记录相差2个小时，则输出上一条记录。

如果在2个小时之内，更新变量，不输出，继续访问。这样就像是个游标一样处理数据。

 

最后将输出格式为 cookie_id，first_visit_time，last_visit_time这样的格式，每一条这样的记录作为一次的访问。这一次访问包含N次请求。