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）

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：

wKioL1RbHoPT0rHZAAHHICCIv7U438.jpg

node1服务器上hive计算过程为：

wKiom1RbHjnhxxvdAAcmfK-RneY166.jpg

©著作权归作者所有：来自51CTO博客作者shine_forever的原创作品，如需转载，请注明出处，否则将追究法律责任