hadoop中的hive查询cdn访问日志指定时间段内url访问次数最多的前10位（结合python语言）

标签：hadoop   python   hive   日志   

hadoop环境描述：

master节点：node1

slave节点：node2，node3，node4

远端服务器（python连接hive）：node29

需求：通过hive查询到cdn日志中指定时间段内url访问次数最多的前10个url

ps：用pig查询可以查询文章：

http://shineforever.blog.51cto.com/1429204/1571124

说明：python操作远程操作需要使用Thrift接口：

hive源码包下面自带Thrift插件：

[root@node1 shell]# ls -l /usr/local/hive-0.8.1/lib/py

total 28

drwxr-xr-x 2 hadoop hadoop 4096 Nov  5 15:29 fb303

drwxr-xr-x 2 hadoop hadoop 4096 Oct 15 10:30 fb303_scripts

drwxr-xr-x 2 hadoop hadoop 4096 Nov  5 15:29 hive_metastore

drwxr-xr-x 2 hadoop hadoop 4096 Oct 15 10:30 hive_serde

drwxr-xr-x 2 hadoop hadoop 4096 Nov  5 15:29 hive_service

drwxr-xr-x 2 hadoop hadoop 4096 Nov  5 15:20 queryplan

drwxr-xr-x 6 hadoop hadoop 4096 Nov  5 15:20 thrift

1)把相关文件scp到远端的node29相关目录下：

scp -r /usr/local/hive-0.8.1/lib/py/* 172.16.41.29:/usr/local/hive_py/.

2) 在node1服务器上开发hive：

[hadoop@node1 py]$ hive --service  hiveserver

Starting Hive Thrift Server

3）在node29上编写查询脚本：

#!/usr/bin/env python
#coding:utf-8
#找出cdn日志指定时间段，url访问次数最多的前10个；

import sys
import os
import string
import re
import MySQLdb

#加载hive的python相关库文件；
sys.path.append(‘/usr/local/hive_py‘)
from hive_service import ThriftHive
from hive_service.ttypes import HiveServerException
from thrift import Thrift
from thrift.transport import TSocket
from thrift.transport import TTransport
from thrift.protocol import TBinaryProtocol


dbname="default"
hsql="select request,count(request) as counts from cdnlog where time >= ‘[27/Oct/2014:10:40:00 +0800]‘ and time <= ‘[27/Oct/2014:10:49
:59 +0800]‘ group by request order by counts desc limit 10"

def hiveExe(hsql,dbname):

    try:
        transport = TSocket.TSocket(‘172.16.41.151‘, 10000)
        transport = TTransport.TBufferedTransport(transport)
        protocol = TBinaryProtocol.TBinaryProtocol(transport)
        client = ThriftHive.Client(protocol)
        transport.open()
#加载增长表达式支持，必需(以下加载路径为远端hive路径，不是脚本的本地路径！)
        client.execute(‘add jar /usr/local/hive-0.8.1/lib/hive_contrib.jar‘)
#        client.execute("use " + dbname)
#        row = client.fetchOne()
        client.execute(hsql)
        return client.fetchAll() #查询所有数据；

        transport.close()
    except Thrift.TException, tx:
        print ‘%s‘ % (tx.message)

if __name__ == ‘__main__‘:
    results=hiveExe(hsql,dbname)
    num=len(results)
    for i in range(num):

在node29上执行脚本，输入结果为：

node1服务器上hive计算过程为：

本文出自 “shine_forever的博客” 博客，请务必保留此出处http://shineforever.blog.51cto.com/1429204/1573439

hadoop中的hive查询cdn访问日志指定时间段内url访问次数最多的前10位（结合python语言）

标签：hadoop   python   hive   日志   

原文地址：http://shineforever.blog.51cto.com/1429204/1573439