如何使用Hive&R从Hadoop集群中提取数据进行分析

一个简单的例子！

环境：CentOS6.5

Hadoop集群、Hive、R、RHive，具体安装及调试方法见博客内文档。

1、分析题目

--有一个用户数据样本（表名huserinfo）10万数据左右；
--其中有一个字段：身份证号（id_card）
--身份证号前两位代表：省，例如：11北京，12天津，13河北；
--身份证前x位对照表（表名hidcard_province）
--要求1：计算出每个省份出现的次数，并按从大到小排序取前30个；
--要求2：使用R画出柱状图。

2、编写Hive提取数据脚本：hive_getdata.sql

--创建临时表
DROP TABLE if exists tmp.t_province;
CREATE TABLE tmp.t_province(
    id int,
    p_name string,
    cnt int
) COMMENT '用户数据中省份出现次数临时表'

--将提取到的数据保存到临时表中
insert overwrite table tmp.t_province
select t1.cid, t2.province, t1.cnt from(
    --取出前30条
    select y.rownum, y.cid, y.cnt from(
        --排序
        select x.cid, x.cnt, row_number() over (distribute by x.cnt sort by x.cnt desc) as rownum from(
            --分组
            select a1.cid, count(1) as cnt from
                --取数据
                (select substring(id_card, 0, 2) as cid from bdm.huserinfo)a1
            group by a1.cid
        )x
    )y where y.rownum <= 30
)t1
join bdm.hidcard_province t2 on t2.id = t1.cid

运行：

[root@Hadoop-NN-01 ~]$ hive -f hive_getdata.sql

查看数据如下图：

hive> select * from tmp.t_province limit 10;

3、编写R语言绘图脚本：r_draw.r

#!/usr/bin/Rscript
library(RHive);　　#加载rhive包
rhive.connect(host ='192.168.100.20');　　#rhive连接hive
x <- rhive.query('select id from tmp.t_province')
x <- x$id
y <- rhive.query('select cnt from tmp.t_province')
y <- y$cnt

library(Cairo)　　 #加载图形渲染库

png("r-province-pic.png", width=960, height=600)　　#生成图片

#说明：此里可以处理很多问题，可以使用很多算法解决很多的问题，具体算法我就不写了，只简单画个柱柱图，把代码跑通即可！
barplot(beside=TRUE,
    y,　　             #纵轴
    names.arg=x,　　   #横轴
    ylim=c(0,10000)　　#纵轴取值范围　　还有其它参数，可以根据自己需求设置。
)

title(xlab="province name") #横轴名称
title(ylab="people number") #纵轴名称

#图例参数
lbls <- round(y/sum(y)*100)
lbls <- paste(lbls,"%",sep="")
lbls <- paste(x, lbls)

#设置图例 其它参数根据自己需求设置
legend("topright", lbls)

dev.off()       #关闭绘图设备
rhive.close()   #关闭hive连接

运行：

[root@Hadoop-NN-01 ~]$ Rscript r_draw.r

展示成果：

至此，一个简单的Hadoop-Hive-R实例完成！

PS：R下面中文乱码的问题仍在解决中！