文章目录
- 一、实战概述
- 二、提出任务
- 三、完成任务
- （一）准备数据
- 1、在虚拟机上创建文本文件
- 2、上传文件到HDFS指定目录
- （二）实现步骤
- 1、启动Hive Metastore服务
- 2、启动Hive客户端
- 3、基于HDFS数据文件创建Hive外部表
- 4、利用Hive SQL实现去重
- 5、检查是否实现去重
- 四、实战总结
一、实战概述
-
在本次实战任务中，我们利用Hive大数据处理框架对三个文本文件（ips01.txt、ips02.txt、ips03.txt）中的IP地址进行了整合与去重。首先，在虚拟机上创建了这三个文本文件，并将它们上传至HDFS的
/deduplicate/input目录下作为原始数据源。接着，启动了Hive Metastore服务和客户端，以管理和访问元数据信息。 -
通过Hive SQL语句创建了一个外部表
ips，该表的每一行存储一个IP地址，字段间采用换行符\n进行分隔，这样便能正确读取到HDFS上的原始IP列表数据。为了实现去重目标，进一步创建了新的内部表deduplicated_ips，并使用DISTINCT关键字从ips表中提取出不重复的IP地址记录。 -
最后，执行SQL查询语句查看
deduplicated_ips表的内容，如果输出结果中不存在重复IP，则表示去重过程顺利完成。整个过程展示了Hive在处理大规模文本数据时，能够高效地进行数据加载、表结构定义、数据清洗以及数据去重等操作，充分体现了其在大数据处理领域的强大功能与便捷性。
二、提出任务
- 三个包含了网址的文本文件（ips01.txt、ips02.txt、ips03.txt）
- ips01.txt
192.168.1.1
172.16.0.1
10.0.0.1
192.168.1.2
192.168.1.3
172.16.0.2
10.0.0.2
192.168.1.1
172.16.0.1
10.0.0.3
- ips02.txt
192.168.1.4
172.16.0.3
10.0.0.4
192.168.1.5
192.168.2.1
172.16.0.4
10.0.1.1
192.168.1.1
172.16.0.1
10.0.0.1
- ips03.txt
192.168.1.6
172.16.1.1
10.0.2.1
192.168.1.7
192.168.3.1
172.16.0.5
10.0.0.5
192.168.1.1
172.16.0.1
10.0.0.3
- 使用Hive框架，实现网址去重
三、完成任务
（一）准备数据
1、在虚拟机上创建文本文件
- 在master虚拟机上使用文本编辑器创建三个文件：
ips01.txt,ips02.txt,ips03.txt，并确保每个文件内存储的是纯文本格式的IP地址列表。
2、上传文件到HDFS指定目录
- 在master虚拟机上创建HDFS上的
/deduplicate/input目录，用于存放待处理的原始数据文件。 - 执行命令：
hdfs dfs -mkdir -p /deduplicate/input
- 将本地创建的三个文本文件上传至HDFS的
/deduplicate/input目录hdfs dfs -put ips01.txt /deduplicate/input/ hdfs dfs -put ips02.txt /deduplicate/input/ hdfs dfs -put ips03.txt /deduplicate/input/ - 执行上述命令
（二）实现步骤
1、启动Hive Metastore服务
- 执行命令：
hive --service metastore &，在后台启动metastore服务
2、启动Hive客户端
- 执行命令：
hive，看到命令提示符hive>
3、基于HDFS数据文件创建Hive外部表
- 基于HDFS数据文件创建Hive外部表，执行语句
CREATE EXTERNAL TABLE ips (ip STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\n' LOCATION '/deduplicate/input'; - 这里创建了一个名为
ips的外部表，字段为单列ip，每一行代表一个IP地址。由于我们的数据文件中每个IP地址占一行，所以字段间用换行符\n分隔。
4、利用Hive SQL实现去重
- 基于查询结果创建新表
CREATE TABLE deduplicated_ips AS SELECT DISTINCT ip FROM ips; - 通过上述SQL语句，我们在Hive内部创建了一个新的表
deduplicated_ips，其中存储了从unique_ips表中提取的所有不重复的IP地址。
5、检查是否实现去重
- 最后，检查
deduplicated_ips表的内容以确认去重是否成功执行 - 执行语句：
SELECT * FROM deduplicated_ips;
- 若输出结果中没有重复的IP地址，则说明去重任务已经顺利完成。
四、实战总结
- 本实战通过Hive对三个文本文件中的IP地址数据进行整合去重。首先在虚拟机创建并上传文本至HDFS，接着启动Hive服务与客户端，创建外部表加载数据，并用DISTINCT从原始表中提取不重复IP至新内部表，最终成功实现去重目标，展示了Hive处理大规模文本数据的高效能与便捷性。
