hive面试题目：表大概有2T左右，对表数据转换

本帖最后由阿飞于 2014-4-20 14:48 编辑

有一张很大的表：TRLOG
该表大概有2T左右

TRLOG：
CREATE TABLE TRLOG
(PLATFORM string,
USER_ID int,
CLICK_TIME string,
CLICK_URL string)
row format delimited
fields terminated by '\t';

数据：

PLATFORM       USER_ID       CLICK_TIME       CLICK_URL
WEB       12332321       2013-03-21 13:48:31.324       /home/
WEB       12332321       2013-03-21 13:48:32.954       /selectcat/er/
WEB       12332321       2013-03-21 13:48:46.365       /er/viewad/12.html
WEB       12332321       2013-03-21 13:48:53.651       /er/viewad/13.html
WEB       12332321       2013-03-21 13:49:13.435       /er/viewad/24.html
WEB       12332321       2013-03-21 13:49:35.876       /selectcat/che/
WEB       12332321       2013-03-21 13:49:56.398       /che/viewad/93.html
WEB       12332321       2013-03-21 13:50:03.143       /che/viewad/10.html
WEB       12332321       2013-03-21 13:50:34.265       /home/
WAP       32483923       2013-03-21 23:58:41.123       /m/home/
WAP       32483923       2013-03-21 23:59:16.123       /m/selectcat/fang/
WAP       32483923       2013-03-21 23:59:45.123       /m/fang/33.html
WAP       32483923       2013-03-22 00:00:23.984       /m/fang/54.html
WAP       32483923       2013-03-22 00:00:54.043       /m/selectcat/er/
WAP       32483923       2013-03-22 00:01:16.576       /m/er/49.html
……       ……       ……       ……

需要把上述数据处理为如下结构的表ALLOG：

CREATE TABLE ALLOG
(PLATFORM string,
USER_ID int,
SEQ int,
FROM_URL string,
TO_URL string)
row format delimited
fields terminated by '\t';

整理后的数据结构：

PLATFORM       USER_ID       SEQ       FROM_URL       TO_URL
WEB       12332321       1       NULL       /home/
WEB       12332321       2       /home/       /selectcat/er/
WEB       12332321       3       /selectcat/er/       /er/viewad/12.html
WEB       12332321       4       /er/viewad/12.html       /er/viewad/13.html
WEB       12332321       5       /er/viewad/13.html       /er/viewad/24.html
WEB       12332321       6       /er/viewad/24.html       /selectcat/che/
WEB       12332321       7       /selectcat/che/       /che/viewad/93.html
WEB       12332321       8       /che/viewad/93.html       /che/viewad/10.html
WEB       12332321       9       /che/viewad/10.html       /home/
WAP       32483923       1       NULL       /m/home/
WAP       32483923       2       /m/home/       /m/selectcat/fang/
WAP       32483923       3       /m/selectcat/fang/       /m/fang/33.html
WAP       32483923       4       /m/fang/33.html       /m/fang/54.html
WAP       32483923       5       /m/fang/54.html       /m/selectcat/er/
WAP       32483923       6       /m/selectcat/er/       /m/er/49.html
……       ……       ……       ……

PLATFORM和USER_ID还是代表平台和用户ID；SEQ字段代表用户按时间排序后的访问顺序，FROM_URL和TO_URL分别代表用户从哪一页跳转到哪一页。对于某个平台上某个用户的第一条访问记录，其FROM_URL是NULL（空值）。

面试官说需要用两种办法做出来：
1、实现一个能加速上述处理过程的Hive Generic UDF，并给出使用此UDF实现ETL过程的Hive SQL
2、实现基于纯Hive SQL的ETL过程，从TRLOG表生成ALLOG表；（结果是一套SQL）

xin07020220 · 发表于 2014-8-28 23:06:48

hyj 发表于 2014-4-20 14:53
给你个JAVA写的RowNumber方法
把这个JAVA打包，编译成JAR包，比如RowNumber.jar。这个你总会吧~~~
然后放 ...

对于第二题，当同一个user_id在不同的platform中出现时，此SQL是会有问题的。
a表与b表的关联条件应为 on a.user_id = b.user_id and a.platform=b.platform

hyj · 发表于 2014-4-20 14:53:20

提示: 作者被禁止或删除内容自动屏蔽

阿飞 · 发表于 2014-4-20 14:54:30

第一个写法在hive-0.7.1上面运行有问题，估计是row_number的bug，用
select platform, user_id, row_number(user_id),click_time,click_url from trlog group by platform, user_id, click_time,click_url;
代替
select *,row_number(user_id)seq from trlog结果正确。
在hive-0.10上运行成功。