Hive实战：实现数据去重

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unique_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unique_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

• 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

• 目标是将这三个文本文件中的IP地址整合并去除重复项，最终得到一个仅包含唯一IP地址的结果集。

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
192.168.1.4
172.16.0.3
10.0.0.3
192.168.1.5
192.168.2.1
172.16.0.4
10.0.1.1
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

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。

  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/
  

（二）实现步骤

1、启动Hive Metastore服务

• 启动Hive Metastore服务，确保Hive可以正确管理和访问元数据信息

2、启动Hive客户端

• 打开Hive客户端连接到Hive服务

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 unique_ips (ip STRING)
  ROW FORMAT DELIMITED FIELDS TERMINATED BY '\n'
  LOCATION '/deduplicate/input';
  

• 这里创建了一个名为unique_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

CREATE TABLE deduplicated_ips AS
SELECT DISTINCT ip FROM unique_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

  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。

• 通过以上步骤，我们成功地利用Hive框架完成了对多个文本文件中的IP地址进行去重的任务，展示了Hive在大数据处理中的强大能力和便捷性。