你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

使用 HDInsight 中的 Apache Hive 和 Apache Hadoop 分析 X 数据

项目
08/10/2024

了解如何使用 Apache Hive 处理 X 数据。结果是发送最多包含某个特定词的推文的 X 用户列表。

重要

本文档中的步骤已在 HDInsight 3.6 上进行测试。

获取数据

X 允许通过 REST API 检索每个推文的数据作为 JavaScript 对象表示法 (JSON) 文档。要对 API 进行身份验证，需要 OAuth。

创建 X 应用程序

在 Web 浏览器中登录到 https://developer.x.com。选择“立即注册”链接（如果你没有 X 帐户）。
选择“创建新应用”。
输入“名称”、“说明”、“网站”。可为“网站”字段补充 URL。下表显示了一些要使用的示例值：

字段值

名称 MyHDInsightApp

说明 MyHDInsightApp

网站 https://www.myhdinsightapp.com
选择“是，我同意”，然后选择“创建 Twitter 应用程序”。
选择“权限”选项卡。默认权限为“只读”。
选择“密钥和访问令牌”选项卡。
选择“创建我的访问令牌”。
在页面右上角选择“测试 OAuth”。
记下“使用者密钥”、“使用者机密”、“访问令牌”和“访问令牌机密”。

字段	值
名称	MyHDInsightApp
说明	MyHDInsightApp
网站	`https://www.myhdinsightapp.com`

下载推文

以下 Python 代码会从 X 下载 10,000 篇推文并将其保存到一个名为 tweets.txt 的文件中。

注意

由于已安装了 Python，请在 HDInsight 群集上执行以下步骤。

使用 ssh 命令连接到群集。编辑以下命令，将 CLUSTERNAME 替换为群集的名称，然后输入该命令：
```
ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.net
```

使用以下命令安装 Tweepy、Progress bar 和其他所需的程序包：

sudo apt install python-dev libffi-dev libssl-dev
sudo apt remove python-openssl
python -m pip install virtualenv
mkdir gettweets
cd gettweets
virtualenv gettweets
source gettweets/bin/activate
pip install tweepy progressbar pyOpenSSL requests[security]

使用以下命令创建一个名为 gettweets.py 的文件：
```
nano gettweets.py
```

将 Your consumer secret、Your consumer key、Your access token 和 Your access token secret 替换为 X 应用程序中的相关信息，以编辑以下代码。然后，将编辑的代码粘贴为 gettweets.py 文件的内容。

#!/usr/bin/python

from tweepy import Stream, OAuthHandler
from tweepy.streaming import StreamListener
from progressbar import ProgressBar, Percentage, Bar
import json
import sys

#X app information
consumer_secret='Your consumer secret'
consumer_key='Your consumer key'
access_token='Your access token'
access_token_secret='Your access token secret'

#The number of tweets we want to get
max_tweets=100

#Create the listener class that receives and saves tweets
class listener(StreamListener):
    #On init, set the counter to zero and create a progress bar
    def __init__(self, api=None):
        self.num_tweets = 0
        self.pbar = ProgressBar(widgets=[Percentage(), Bar()], maxval=max_tweets).start()

    #When data is received, do this
    def on_data(self, data):
        #Append the tweet to the 'tweets.txt' file
        with open('tweets.txt', 'a') as tweet_file:
            tweet_file.write(data)
            #Increment the number of tweets
            self.num_tweets += 1
            #Check to see if we have hit max_tweets and exit if so
            if self.num_tweets >= max_tweets:
                self.pbar.finish()
                sys.exit(0)
            else:
                #increment the progress bar
                self.pbar.update(self.num_tweets)
        return True

    #Handle any errors that may occur
    def on_error(self, status):
        print status

#Get the OAuth token
auth = OAuthHandler(consumer_key, consumer_secret)
auth.set_access_token(access_token, access_token_secret)
#Use the listener class for stream processing
twitterStream = Stream(auth, listener())
#Filter for these topics
twitterStream.filter(track=["azure","cloud","hdinsight"])

提示

调整最后一行的主题筛选器以跟踪常用关键字。运行脚本时，使用常用关键字可以更快捕获数据。

使用 Ctrl+X，并使用 Y 以保存该文件。
使用以下命令运行该文件并下载推文：
```
python gettweets.py
```
一个进度指示器会出现。它会随着推文下载计数到 100%。

注意

如果进度栏向前移动需要较长时间，则应更改筛选器以跟踪趋势主题。当存在许多有关筛选器中的主题的推文时，可以快速获取所需的 100 篇推文。

上传数据

要将数据上传到 HDInsight 存储，请使用以下命令：

hdfs dfs -mkdir -p /tutorials/x/data
hdfs dfs -put tweets.txt /tutorials/x/data/tweets.txt

这些命令会在群集中的所有节点都可以访问的位置中存储数据。

运行 HiveQL 作业

使用以下命令来创建包含 HiveQL 语句的文件：

nano x.hql

将以下文本用作文件的内容：

set hive.exec.dynamic.partition = true;
set hive.exec.dynamic.partition.mode = nonstrict;
-- Drop table, if it exists
DROP TABLE tweets_raw;
-- Create it, pointing toward the tweets logged from X
CREATE EXTERNAL TABLE tweets_raw (
    json_response STRING
)
STORED AS TEXTFILE LOCATION '/tutorials/x/data';
-- Drop and recreate the destination table
DROP TABLE tweets;
CREATE TABLE tweets
(
    id BIGINT,
    created_at STRING,
    created_at_date STRING,
    created_at_year STRING,
    created_at_month STRING,
    created_at_day STRING,
    created_at_time STRING,
    in_reply_to_user_id_str STRING,
    text STRING,
    contributors STRING,
    retweeted STRING,
    truncated STRING,
    coordinates STRING,
    source STRING,
    retweet_count INT,
    url STRING,
    hashtags array<STRING>,
    user_mentions array<STRING>,
    first_hashtag STRING,
    first_user_mention STRING,
    screen_name STRING,
    name STRING,
    followers_count INT,
    listed_count INT,
    friends_count INT,
    lang STRING,
    user_location STRING,
    time_zone STRING,
    profile_image_url STRING,
    json_response STRING
);
-- Select tweets from the imported data, parse the JSON,
-- and insert into the tweets table
FROM tweets_raw
INSERT OVERWRITE TABLE tweets
SELECT
    cast(get_json_object(json_response, '$.id_str') as BIGINT),
    get_json_object(json_response, '$.created_at'),
    concat(substr (get_json_object(json_response, '$.created_at'),1,10),' ',
    substr (get_json_object(json_response, '$.created_at'),27,4)),
    substr (get_json_object(json_response, '$.created_at'),27,4),
    case substr (get_json_object(json_response,    '$.created_at'),5,3)
        when "Jan" then "01"
        when "Feb" then "02"
        when "Mar" then "03"
        when "Apr" then "04"
        when "May" then "05"
        when "Jun" then "06"
        when "Jul" then "07"
        when "Aug" then "08"
        when "Sep" then "09"
        when "Oct" then "10"
        when "Nov" then "11"
        when "Dec" then "12" end,
    substr (get_json_object(json_response, '$.created_at'),9,2),
    substr (get_json_object(json_response, '$.created_at'),12,8),
    get_json_object(json_response, '$.in_reply_to_user_id_str'),
    get_json_object(json_response, '$.text'),
    get_json_object(json_response, '$.contributors'),
    get_json_object(json_response, '$.retweeted'),
    get_json_object(json_response, '$.truncated'),
    get_json_object(json_response, '$.coordinates'),
    get_json_object(json_response, '$.source'),
    cast (get_json_object(json_response, '$.retweet_count') as INT),
    get_json_object(json_response, '$.entities.display_url'),
    array(
        trim(lower(get_json_object(json_response, '$.entities.hashtags[0].text'))),
        trim(lower(get_json_object(json_response, '$.entities.hashtags[1].text'))),
        trim(lower(get_json_object(json_response, '$.entities.hashtags[2].text'))),
        trim(lower(get_json_object(json_response, '$.entities.hashtags[3].text'))),
        trim(lower(get_json_object(json_response, '$.entities.hashtags[4].text')))),
    array(
        trim(lower(get_json_object(json_response, '$.entities.user_mentions[0].screen_name'))),
        trim(lower(get_json_object(json_response, '$.entities.user_mentions[1].screen_name'))),
        trim(lower(get_json_object(json_response, '$.entities.user_mentions[2].screen_name'))),
        trim(lower(get_json_object(json_response, '$.entities.user_mentions[3].screen_name'))),
        trim(lower(get_json_object(json_response, '$.entities.user_mentions[4].screen_name')))),
    trim(lower(get_json_object(json_response, '$.entities.hashtags[0].text'))),
    trim(lower(get_json_object(json_response, '$.entities.user_mentions[0].screen_name'))),
    get_json_object(json_response, '$.user.screen_name'),
    get_json_object(json_response, '$.user.name'),
    cast (get_json_object(json_response, '$.user.followers_count') as INT),
    cast (get_json_object(json_response, '$.user.listed_count') as INT),
    cast (get_json_object(json_response, '$.user.friends_count') as INT),
    get_json_object(json_response, '$.user.lang'),
    get_json_object(json_response, '$.user.location'),
    get_json_object(json_response, '$.user.time_zone'),
    get_json_object(json_response, '$.user.profile_image_url'),
    json_response
WHERE (length(json_response) > 500);

按 Ctrl+X，并按 Y 以保存该文件。
使用以下命令运行该文件中包含的 HiveQL：
```
beeline -u 'jdbc:hive2://headnodehost:10001/;transportMode=http' -i x.hql
```
此命令会运行 x.hql 文件。查询完成之后，会看到 jdbc:hive2//localhost:10001/> 提示符。
根据 beeline 提示，使用以下查询验证数据是否已导入：
```
SELECT name, screen_name, count(1) as cc
FROM tweets
WHERE text like "%Azure%"
GROUP BY name,screen_name
ORDER BY cc DESC LIMIT 10;
```
这会在消息文本中返回最多 10 篇包含 Azure 一词的推文。

注意

如果已更改 gettweets.py 脚本中的筛选器，请将 Azure 替换为用过的筛选器之一。

后续步骤

你已了解如何将非结构化 JSON 数据集转换为结构化 Apache Hive 表。若要了解有关 HDInsight 上的 Hive 的详细信息，请参阅以下文档：

通过