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...

1、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

2、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

3、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
复制代码

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/.
复制代码

2) 、在node1服务器上开发hive：

[hadoop@node1 py]$ hive --service  hiveserver
Starting Hive Thrift Server
复制代码

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：