Работа с заданиями Hive

Apache Hive — это система управления большими распределенными наборами данных на основе платформы Hadoop, использующая язык запросов SQL.

В этой статье на простом примере показывается, как в Yandex Data Processing использовать Hive для анализа данных. При помощи Hive в приведенном примере анализируется численность населения крупнейших городов России.

Перед началом работыПеред началом работы

1. Создайте сервисный аккаунт с ролями dataproc.agent и dataproc.provisioner.

2. В Object Storage создайте бакеты и настройте доступ к ним:

   1. Создайте бакет для исходных данных и предоставьте сервисному аккаунту кластера разрешение READ для этого бакета.
   2. Создайте бакет для результатов обработки и предоставьте сервисному аккаунту кластера разрешение READ и WRITE для этого бакета.

3. Создайте кластер Yandex Data Processing со следующими настройками:

   • Сервисы:
     • HDFS
     • SPARK
     • HIVE
   • Сервисный аккаунт: выберите созданный ранее сервисный аккаунт.
   • Имя бакета: выберите бакет для результатов обработки.

Создайте задание HiveСоздайте задание Hive

1. В бакете для исходных данных создайте папку cities и загрузите в нее файл для обработки cities.csv:

   cities.csv

   Moscow,12655000
   Saint Petersburg,5384000
   Novosibirsk,1620000
   Yekaterinburg,1495000
   Kazan,1257000
   Nizhny Novgorod,1244000
   Chelyabinsk,1188000
   Samara,1145000
   Omsk,1140000
   Rostov-on-Don,1138000
   Ufa,1126000
   Krasnoyarsk,1093000
   Voronezh,1051000
   Perm,1049000
   Volgograd,1005000
   

   В файле показана численность населения крупнейших городов России, с населением более одного миллиона человек, по оценке на 2021 год (округленно).

2. Создайте и загрузите в бакет для исходных данных файл c SQL-запросами cities.sql:

   cities.sql

   /* Создать внешнюю таблицу с данными, которые содержатся в CSV-файлах: */
   CREATE EXTERNAL TABLE IF NOT EXISTS cities
   (city_name string, population decimal)
   ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
   STORED AS TEXTFILE
   LOCATION 's3a://<бакет_для_исходных_данных>/cities';
   
   /* Показать количество городов и суммарную численность населения в них: */
   SELECT COUNT(*) num_cities, SUM(population) sum_populataion FROM cities;
   
   /* Показать минимальную и максимальную численность населения: */
   SELECT MIN(population) min_population, MAX(population) max_population FROM cities;
   

3. Создайте задание Hive с параметрами:

   • Драйвер: Файл
   • Файл с запросами: s3a://<имя_бакета_для_исходных_данных>/cities.sql

4. Подождите, пока статус задания изменится на Done.

5. Откройте логи задания и просмотрите результаты обработки:

   Логи

   ...
   OK
   15  33590000
   Time taken: 21.104 seconds, Fetched: 1 row(s)
   ...
   OK
   1005000 12655000
   Time taken: 3.393 seconds, Fetched: 1 row(s)
   

Удалите созданные ресурсыУдалите созданные ресурсы

Некоторые ресурсы платные. Чтобы за них не списывалась плата, удалите ресурсы, которые вы больше не будете использовать:

1. Удалите кластер.
2. Удалите бакеты.
3. Удалите сервисный аккаунт.