ICode9

精准搜索请尝试: 精确搜索
首页 > 数据库> 文章详细

(八)Hive SQL练习之影评案例

2019-05-24 10:51:57  阅读:381  来源: 互联网

标签:movieid movie 电影 Hive rate 影评 SQL select


 

案例说明

现有如此三份数据:
1、users.dat 数据格式为: 2::M::56::16::70072,

共有6040条数据
对应字段为:UserID BigInt, Gender String, Age Int, Occupation String, Zipcode String
对应字段中文解释:用户id,性别,年龄,职业,邮政编码

2、movies.dat 数据格式为: 2::Jumanji (1995)::Adventure|Children's|Fantasy,

共有3883条数据
对应字段为:MovieID BigInt, Title String, Genres String
对应字段中文解释:电影ID,电影名字,电影类型

3、ratings.dat 数据格式为: 1::1193::5::978300760,

共有1000209条数据
对应字段为:UserID BigInt, MovieID BigInt, Rating Double, Timestamped String
对应字段中文解释:用户ID,电影ID,评分,评分时间戳

题目要求

  数据要求:
    (1)写shell脚本清洗数据。(hive不支持解析多字节的分隔符,也就是说hive只能解析':', 不支持解析'::',所以用普通方式建表来使用是行不通的,要求对数据做一次简单清洗)
    (2)使用Hive能解析的方式进行

  Hive要求:
    (1)正确建表,导入数据(三张表,三份数据),并验证是否正确

    (2)求被评分次数最多的10部电影,并给出评分次数(电影名,评分次数)

    (3)分别求男性,女性当中评分最高的10部电影(性别,电影名,影评分)

    (4)求movieid = 2116这部电影各年龄段(因为年龄就只有7个,就按这个7个分就好了)的平均影评(年龄段,影评分)

    (5)求最喜欢看电影(影评次数最多)的那位女性评最高分的10部电影的平均影评分(观影者,电影名,影评分)

    (6)求好片(评分>=4.0)最多的那个年份的最好看的10部电影

    (7)求1997年上映的电影中,评分最高的10部Comedy类电影

    (8)该影评库中各种类型电影中评价最高的5部电影(类型,电影名,平均影评分)

    (9)各年评分最高的电影类型(年份,类型,影评分)

    (10)每个地区最高评分的电影名,把结果存入HDFS(地区,电影名,影评分)

 

数据下载

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

 

解析

之前已经使用MapReduce程序将3张表格进行合并,所以只需要将合并之后的表格导入对应的表中进行查询即可。

 

1、正确建表,导入数据(三张表,三份数据),并验证是否正确

(1)分析需求

需要创建一个数据库movie,在movie数据库中创建3张表,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

原始数据是以::进行切分的,所以需要使用能解析多字节分隔符的Serde即可

使用RegexSerde

需要两个参数:
input.regex = "(.*)::(.*)::(.*)"
output.format.string = "%1$s %2$s %3$s"

(2)创建数据库

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

(3)创建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)创建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)创建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)导入数据

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)验证

select t.* from t_user t;

select t.* from t_movie t;

select t.* from t_rating t;

 

2、求被评分次数最多的10部电影,并给出评分次数(电影名,评分次数)

(1)思路分析:

  1、需求字段:电影名        t_movie.moviename

          评分次数    t_rating.rate          count()

  2、核心SQL:按照电影名进行分组统计,求出每部电影的评分次数并按照评分次数降序排序

(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、分别求男性,女性当中评分最高的10部电影(性别,电影名,影评分)

 (1)分析思路:

  1、需求字段:性别  t_user.sex

          电影名 t_movie.moviename

          影评分 t_rating.rate

  2、核心SQL:三表联合查询,按照性别过滤条件,电影名作为分组条件,影评分作为排序条件进行查询

(2)完整SQL:

女性当中评分最高的10部电影(性别,电影名,影评分)评论次数大于等于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;

男性当中评分最高的10部电影(性别,电影名,影评分)评论次数大于等于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这部电影各年龄段(因为年龄就只有7个,就按这个7个分就好了)的平均影评(年龄段,影评分)

(1)分析思路:

  1、需求字段:年龄段  t_user.age

          影评分 t_rating.rate

  2、核心SQL:t_user和t_rating表进行联合查询,用movieid=2116作为过滤条件,用年龄段作为分组条件

(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、求最喜欢看电影(影评次数最多)的那位女性评最高分的10部电影的平均影评分(观影者,电影名,影评分)

(1)分析思路:

  1、需求字段:观影者 t_rating.userid

          电影名 t_movie.moviename

          影评分 t_rating.rate

  2、核心SQL:

    A.  需要先求出最喜欢看电影的那位女性

          需要查询的字段:性别:t_user.sex

                  观影次数:count(t_rating.userid)

    B.  根据A中求出的女性userid作为where过滤条件,以看过的电影的影评分rate作为排序条件进行排序,求出评分最高的10部电影

          需要查询的字段:电影的ID:t_rating.movieid

    C.  求出B中10部电影的平均影评分

          需要查询的字段:电影的ID:answer5_B.movieid

                  影评分:t_rating.rate

(2)完整SQL:

 A.  需要先求出最喜欢看电影的那位女性

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.  根据A中求出的女性userid作为where过滤条件,以看过的电影的影评分rate作为排序条件进行排序,求出评分最高的10部电影

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部电影的平均影评分

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(评分>=4.0)最多的那个年份的最好看的10部电影

(1)分析思路:

  1、需求字段:电影id t_rating.movieid

          电影名 t_movie.moviename(包含年份)

          影评分 t_rating.rate

          上映年份 xxx.years

  2、核心SQL:

    A.  需要将t_rating和t_movie表进行联合查询,将电影名当中的上映年份截取出来,保存到临时表answer6_A中

          需要查询的字段:电影id t_rating.movieid

                  电影名 t_movie.moviename(包含年份)

                  影评分 t_rating.rate

    B.  从answer6_A按照年份进行分组条件,按照评分>=4.0作为where过滤条件,按照count(years)作为排序条件进行查询

          需要查询的字段:电影的ID:answer6_A.years

    C.  从answer6_A按照years=1998作为where过滤条件,按照评分作为排序条件进行查询

          需要查询的字段:电影的ID:answer6_A.moviename

                  影评分:answer6_A.avgrate

(2)完整SQL:

A.  需要将t_rating和t_movie表进行联合查询,将电影名当中的上映年份截取出来

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.  从answer6_A按照年份进行分组条件,按照评分>=4.0作为where过滤条件,按照count(years)作为排序条件进行查询

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

C.  从answer6_A按照years=1998作为where过滤条件,按照评分作为排序条件进行查询

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年上映的电影中,评分最高的10部Comedy类电影

(1)分析思路:

  1、需求字段:电影id t_rating.movieid

          电影名 t_movie.moviename(包含年份)

          影评分 t_rating.rate

         上映年份 xxx.years(最终查询结果可不显示)

         电影类型 xxx.type(最终查询结果可不显示)

  2、核心SQL:

    A.  需要电影类型,所有可以将第六步中求出answer6_A表和t_movie表进行联合查询

          需要查询的字段:电影id answer6_A.movieid

                  电影名 answer6_A.moviename

                  影评分 answer6_A.rate

                  电影类型 t_movie.movietype 

                  上映年份 answer6_A.years

    B.  从answer7_A按照电影类型中是否包含Comedy和按上映年份作为where过滤条件,按照评分作为排序条件进行查询,将结果保存到answer7_B中

          需要查询的字段:电影的ID:answer7_A.id

                  电影的名称:answer7_A.name

                  电影的评分:answer7_A.rate

(2)完整SQL:

A.  需要电影类型,所有可以将第六步中求出answer6_A表和t_movie表进行联合查询

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.  从answer7_A按照电影类型中是否包含Comedy和按照评分>=4.0作为where过滤条件,按照评分作为排序条件进行查询,将结果保存到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、该影评库中各种类型电影中评价最高的5部电影(类型,电影名,平均影评分)

(1)分析思路:

  1、需求字段:电影id movieid

          电影名 moviename

          影评分 rate(排序条件)

         电影类型 type(分组条件)

  2、核心SQL:

    A.  需要电影类型,所有需要将answer7_A中的type字段进行裂变,将结果保存到answer8_A中

          需要查询的字段:电影id answer7_A.id

                  电影名 answer7_A.name(包含年份)

                  上映年份 answer7_A.years

                  影评分 answer7_A.rate

                  电影类型 answer7_A.movietype 

    B.  求TopN,按照type分组,需要添加一列来记录每组的顺序,将结果保存到answer8_B中

row_number() :用来生成 num字段的值

distribute by movietype :按照type进行分组

sort by avgrate desc :每组数据按照rate排降序

num:新列, 值就是每一条记录在每一组中按照排序规则计算出来的排序值

    C.  从answer8_B中取出num列序号<=5的

(2)完整SQL:

A.  需要电影类型,所有需要将answer7_A中的type字段进行裂变,将结果保存到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分组,需要添加一列来记录每组的顺序,将结果保存到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.  从answer8_B中取出num列序号<=5的

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

 

9、各年评分最高的电影类型(年份,类型,影评分)

(1)分析思路:

  1、需求字段:电影id movieid

          电影名 moviename

          影评分 rate(排序条件)

          电影类型 type(分组条件)

         上映年份 years(分组条件)

  2、核心SQL:

    A.  需要按照电影类型和上映年份进行分组,按照影评分进行排序,将结果保存到answer9_A中

          需要查询的字段:

                  上映年份 answer7_A.years

                  影评分 answer7_A.rate

                  电影类型 answer7_A.movietype 

    B.  求TopN,按照years分组,需要添加一列来记录每组的顺序,将结果保存到answer9_B中

    C.  按照num=1作为where过滤条件取出结果数据

(2)完整SQL:

A.  需要按照电影类型和上映年份进行分组,按照影评分进行排序,将结果保存到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分组,需要添加一列来记录每组的顺序,将结果保存到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作为where过滤条件取出结果数据

select * from answer9_B where num=1;

 

10、每个地区最高评分的电影名,把结果存入HDFS(地区,电影名,影评分)

(1)分析思路:

  1、需求字段:电影id t_movie.movieid

          电影名 t_movie.moviename

          影评分 t_rating.rate(排序条件)

          地区 t_user.zipcode(分组条件)

  2、核心SQL:

    A.  需要把三张表进行联合查询,取出电影id、电影名称、影评分、地区,将结果保存到answer10_A表中

          需要查询的字段:电影id t_movie.movieid

                    电影名 t_movie.moviename

                    影评分 t_rating.rate(排序条件)

                    地区 t_user.zipcode(分组条件)

    B.  求TopN,按照地区分组,按照平均排序,添加一列num用来记录地区排名,将结果保存到answer10_B表中

    C.  按照num=1作为where过滤条件取出结果数据

(2)完整SQL:

 A.  需要把三张表进行联合查询,取出电影id、电影名称、影评分、地区,将结果保存到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,按照地区分组,按照平均排序,添加一列num用来记录地区排名,将结果保存到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作为where过滤条件取出结果数据并保存到HDFS上

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

 

 

   

标签:movieid,movie,电影,Hive,rate,影评,SQL,select
来源: https://www.cnblogs.com/h-kang/p/10916700.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有