Hive实现WordCount详解

一、WordCount原理

初学MapReduce编程，WordCount作为入门经典，类似于初学编程时的Hello World。WordCount的逻辑就是给定一个/多个文本，统计出文本中每次单词/词出现的次数。网上找的一张MapReduce实现WordCount的图例，基本描述清楚了WordCount的内部处理逻辑。本文主要是从Hive使用的角度处理WordCount，就不赘述，之前的一篇博文有MapReduce实现WordCount的代码，可参考 https://www.cnblogs.com/walker-/p/9669631.html。

图1 MapRecude实现Word Count图例

二、Hive实现WordCount

2.1 SQL实现

先直接上SQL语句，可以看出SQL实现确实比MapReduce实现要清爽得多。大概实现流程分为三步：

分割本文。根据分割符对文本进行分割，切分出每个单词；
行转列。对分割出来的词进行处理，每个单词作为一行；
统计计数。统计每个单词出现的次数。

SELECT word, count(1) AS count FROM
  (SELECT explode(split(line, '
')) AS word FROM docs) w
GROUP BY word
ORDER BY word;

2.2 实现细节

1. 准备文本内容

新建一个 /home/kwang/docs.txt 文本，文本内容如下：

hello world
hello kwang rzheng

2. 新建hive表

这里由于hive环境建表默认格式是ORC，直接load数据hive表无法直接读取，故建表时指定了表格式。

CREATE TABLE `docs`(
  `line` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';

3. 加载数据到hive表中

加载数据到hive表中有两种方式，一种是从Linux本地文件系统加载，一种是从HDFS文件系统加载。

（1）从Linux本地文件系统加载

LOAD DATA LOCAL INPATH '/home/kwang/docs.txt' OVERWRITE INTO TABLE docs;

（2）从HDFS文件系统加载

首先需要将文件上传到HDFS文件系统

$ hadoop fs -put /home/kwang/docs.txt /user/kwang/

其次从HDFS文件系统加载数据

LOAD DATA INPATH 'docs.txt' OVERWRITE INTO TABLE docs;

加载数据到hive表后，查看hive表的内容，和原始文本格式并没有区别，将文本按行存储到hive表中，可以通过 'select * from docs;' 看下hive表内容：

hello world
hello kwang rzheng

4. 分割文本

分割单词SQL实现：

SELECT split(line, 's') AS word FROM docs;

分割后结果：

["hello","world"]
["hello","kwang","rzheng"]

可以看出，分割后的单词仍是都在一行，无法实现想要的功能，因此需要进行行转列操作。

5. 行转列

行转列SQL实现：

SELECT explode(split(line, ' ')) AS word FROM docs;

转换后的结果：

hello
world
hello
kwang
rzheng

6. 统计计数

SELECT word, count(1) AS count FROM
  (SELECT explode(split(line, ' ')) AS word FROM docs) w
GROUP BY word
ORDER BY word;

统计后结果：

hello   2
kwang   1
rzheng  1
world   1

至此，Hive已实现WordCount计数功能。

【参考资料】

[1]. https://www.oreilly.com/library/view/programming-hive/9781449326944/ch01.html