hive left outer join 子查询临时表_基于历史数据的用户访问次数，每天新老用户，日活，周活，月活的hive计算...

最近有一个需求，统计每天的新老用户，日活，周活，月活。

我们每天的增量数据会加入到hive历史数据表中，包含用户访问网站的一些信息，字段有很多，包括用户唯一标识guid。

当然了日活，周活，月活就是一个count(distinct(guid))语句，非常常用的sql。

但是这里的问题是：

A：每天的新老用户应该怎么统计呢？
B：这还不简单，判断用户guid是否存在与历史库guid中嘛？
A：历史数据几十个T，大概一百亿行，你要每天将当日数据（2~3亿行）与历史数据几亿行进行join判断？
B：额，这个，这个，好像不行哦！

是的，历史数据里面是用户网站访问行为，同一个用户在同一天，不同的天都有可能出现，guid在历史表中会有多次。如果直接join，性能很差，实际上是做了很多不必要的工作。

解决方案：

维护一张用户表，里面有4列：guid, starttime, endtime, num，分别是用户的guid，第一次访问时间，最后一次访问时间，访问天数；
从某个状态开始，历史表中guid是唯一的；
当天数据去重后，与历史库join，如果guid在历史库出现过，则将endtime更新为当天时间，num加一；
否则，这是一个新用户，插入历史库，starttime, endtime都为当天时间，num初始值为1。

维护了这么一张用户表后，接下来就可以写hql统计业务了，计算当天新老用户时，只需要与这个历史库进行join就行了（目前为止4千万），当日guid去重后是1千多万，这样就是4千万~1千万的join了，与开始4千万~100亿的join，性能会有巨大提升。

hive历史表的设计与hive相关配置

可以看到这里hive历史表history_helper需要频繁修改，hive表支持数据修改需要在${HIVE_HOME}/conf/hive-site.xml中添加事务支持：

<property><name>hive.support.concurrency</name><value>true</value>
</property>
<property><name>hive.exec.dynamic.partition.mode</name><value>nonstrict</value>
</property>
<property><name>hive.txn.manager</name><value>org.apache.hadoop.hive.ql.lockmgr.DbTxnManager</value>
</property>
<property><name>hive.compactor.initiator.on</name><value>true</value>
</property>
<property><name>hive.compactor.worker.threads</name><value>1</value>
</property>

为了提高查询速度，hive历史表与增量表这里都分桶，hive-xite.xml配置：

<property><name>hive.enforce.bucketing</name><value>true</value>
</property>

为了提高reduce并行度，也设置一下：

set mapred.reduce.tasks = 50;

这个最好在hive命令行配置，表明只在当前程序使用该配置，就不要配置配置文件了。

历史库建表语句：

create external table if not exists hm2.history_helper
(guid string,starttime string,endtime string,num int
)
clustered by(guid) into 50 buckets
stored as orc TBLPROPERTIES ("transactional"="true");

当天增量表，保存去重后的guid，建表语句：

create table if not exists hm2.daily_helper
(guid string,dt string
)
clustered by(guid) into 50 buckets
stored as orc TBLPROPERTIES ("transactional"="true");

思路

由于这种需要写成定时模式，所以这里用python脚本来实现，将hive查询结果保存到本地文件result.txt，然后python读取result.txt，连接数据库，保存当天的查询结果。

代码

helper.py

#!/usr/bin/python
# -*- coding:utf-8 -*-# hive更新历史用户表，日常查询，保存到MySQLimport sys
import datetime
import commands
import MySQLdb# 获取起始中间所有日期
def getDays(starttime,endtime,regx):datestart=datetime.datetime.strptime(starttime,regx)dateend=datetime.datetime.strptime(endtime,regx)days = []while datestart<=dateend:days.append(datestart.strftime(regx))datestart+=datetime.timedelta(days=1)return days# 获得指定时间的前 n 天的年、月、日,n取负数往前，否则往后
def getExacYes(day, regx, n):return (datetime.datetime.strptime(day,regx) + datetime.timedelta(days=n)).strftime(regx)# 获得距离现在天数的年、月、日,n 取值正负含义同上，昨天就是getYes(regx,-1)
def getYes(regx, n):now_time = datetime.datetime.now()yes_time = now_time + datetime.timedelta(days=n)yes_time_nyr = yes_time.strftime(regx)return yes_time_nyr# 执行hive命令
def execHive(cmd):print cmdres = commands.getstatusoutput(cmd)return res# 获得当前是星期几
def getWeek(regx):now_time = datetime.datetime.now()week = now_time.strftime(regx)return week# 格式化日期，加上双引号
def formatDate(day):return """ + day + """# 数据保存到mysql
def insertMysql(dt, path, tbName, regx):# new, dayAll, stayvalues = []with open(path) as file:line = file.readline()while line:values.append(line.strip())line = file.readline()dayAll = int(values[1])new = float(values[0])/dayAllold = 1 - new# 获取数据库连接conn = MySQLdb.connect("0.0.0.0", "statistic", "123456", "statistic")# 获取游标cursor = conn.cursor()# 查询昨天的用户人数yesDay = getExacYes(dt, regx, -1)sql = 'select dayAll from %s where dt = %s'%(tbName, formatDate(yesDay))try:cursor.execute(sql)except Exception as e:print eyesAll = int(cursor.fetchall()[0][0])stay = float(values[2]) / yesAllprint stay# 获取游标cursor2 = conn.cursor()sql = 'insert into  %svalues("%s",%f,%f,%f,%d)'%(tbName, dt, new, old, stay, dayAll)print sqltry:cursor2.execute(sql)conn.commit()except:conn.rollback()finally:conn.close()# 初始化，删除临时表，并且创建
def init():# 设置分桶环境cmd = 'source /etc/profile;hive -e 'set hive.enforce.bucketing = true;set mapred.reduce.tasks = 50;''(status,result) = execHive(cmd)# 清除当天的临时表，结果保存cmd = 'source /etc/profile;hive -e 'drop table hm2.daily_helper;''(status,result) = execHive(cmd)if status == 0:print '%s昨天临时表删除完毕...'%(day)else:print resultsys.exit(1)cmd = 'source /etc/profile;hive -e 'create table if not exists hm2.daily_helper(guid string,dt string)clustered by(guid) into 50 buckets stored as orc TBLPROPERTIES ("transactional"="true");''(status,result) = execHive(cmd)if status == 0:print '%s临时表创建完毕...'%(day)else:print resultsys.exit(1)# 主函数入口
if __name__ == '__main__':regx = '%Y-%m-%d'resultPath = '/home/hadoop/statistic/flash/helper/result.txt'days = getDays('2018-07-01','2018-07-20',regx)tbName = 'statistic_flash_dailyActive_helper'for day in days:init()# 当天数据去重后保存到临时表daily_helpercmd = 'source /etc/profile;hive -e 'insert into hm2.daily_helper select distinct(guid),dt from hm2.helper where dt = "%s" and guid is not null;''%(day)print '%s数据正在导入临时表...'%(day)(status,result) = execHive(cmd)if status == 0:print '%s数据导入临时表完毕...'%(day)else:print resultsys.exit(1)# guid存在则更新 endtime 与 numcmd = 'source /etc/profile;hive -e 'update hm2.history_helper set endtime = "%s",num = num + 1 where guid in (select guid from hm2.daily_helper);''%(day)print '正在更新endtime 与 num...'(status,result) = execHive(cmd)if status == 0:print '%s history_helper数据更新完毕'%(day)else :print resultsys.exit(1)# 当天新用户cmd = 'source /etc/profile;hive -e 'select count(1) from hm2.daily_helper where guid not in (select guid from hm2.history_helper);' > %s'%(resultPath)(status,result) = execHive(cmd)if status != 0:print resultsys.exit(1)# 不存在插入cmd = 'source /etc/profile;hive -e 'insert into hm2.history_helperselect daily.guid,dt,dt,1 from hm2.daily_helper dailywhere daily.guid not in (select guid from hm2.history_helper where guid is not null);''print '正在插入数据到history_helper表...'(status,result) = execHive(cmd)if status == 0:print '%s数据插入hm2.history_helper表完成'%(day)else:print resultsys.exit(1)# 当天总人数cmd = 'source /etc/profile;hive -e 'select count(1) from hm2.daily_helper;' >> %s'%(resultPath)(status,result) = execHive(cmd)if status != 0:print resultsys.exit(1)# 次日活跃留存cmd = 'source /etc/profile;hive -e 'select count(1) from(select guid from hm2.helper where dt = "%s" group by guid) yesinner join(select guid from hm2.helper where dt = "%s" group by guid) todaywhere yes.guid = today.guid;' >> %s'%(getExacYes(day, regx, -1), day, resultPath)(status,result) = execHive(cmd)if status != 0:print resultsys.exit(1)# 结果保存到mysqlinsertMysql(day, resultPath, tbName, regx)print '=========================%s hive 查询完毕，结果保存数据到mysql完成=============================='%(day)

这是在处理历史数据，然后就是每天定时处理了，在linux crontab里加个定时器任务就好了。