Analysera Twitter-data med Apache Hive och Apache Hadoop i HDInsight

  • Artikel

Lär dig hur du använder Apache Hive för att bearbeta Twitter-data. Resultatet är en lista över Twitter-användare som skickade flest tweets som innehåller ett visst ord.

Viktigt

Stegen i det här dokumentet har testats på HDInsight 3.6.

Hämta data

Med Twitter kan du hämta data för varje tweet som ett JSON-dokument (JavaScript Object Notation) via ett REST-API. OAuth krävs för autentisering till API:et.

Skapa ett Twitter-program

  1. Logga in på från https://developer.twitter.comen webbläsare. Välj länken Registrera dig nu om du inte har något Twitter-konto.

  2. Välj Skapa ny app.

  3. Ange Namn, Beskrivning, Webbplats. Du kan skapa en URL för fältet Webbplats . I följande tabell visas några exempelvärden som ska användas:

    Fält Värde
    Namn MyHDInsightApp
    Beskrivning MyHDInsightApp
    Webbplatsen https://www.myhdinsightapp.com

  4. Välj Ja, jag godkänner och välj sedan Skapa ditt Twitter-program.

  5. Välj fliken Behörigheter . Standardbehörigheten är Skrivskyddad.

  6. Välj fliken Nycklar och åtkomsttoken .

  7. Välj Skapa min åtkomsttoken.

  8. Välj Testa OAuth i det övre högra hörnet på sidan.

  9. Skriv ned konsumentnyckel, konsumenthemlighet, åtkomsttoken och åtkomsttokenhemlighet.

Ladda ned tweets

Följande Python-kod laddar ned 10 000 tweets från Twitter och sparar dem i en fil med namnet tweets.txt.

Anteckning

Följande steg utförs på HDInsight-klustret eftersom Python redan är installerat.

  1. Använd ssh-kommandot för att ansluta till klustret. Redigera kommandot nedan genom att ersätta CLUSTERNAME med namnet på klustret och ange sedan kommandot:

    ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.net

  2. Använd följande kommandon för att installera Tweepy, förloppsindikatorn och andra nödvändiga paket:

    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]

  3. Använd följande kommando för att skapa en fil med namnet gettweets.py:

    nano gettweets.py

  4. Redigera koden nedan genom att Your consumer secretersätta , Your consumer key, Your access tokenoch Your access token secret med relevant information från ditt Twitter-program. Klistra sedan in den redigerade koden som innehållet i gettweets.py-filen .

    #!/usr/bin/python

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

#Twitter 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"])

    Tips

    Justera ämnesfiltret på den sista raden för att spåra populära nyckelord. Om du använder nyckelord som är populära när du kör skriptet kan du samla in data snabbare.

  5. Använd Ctrl + X och sedan Y för att spara filen.

  6. Använd följande kommando för att köra filen och ladda ned tweets:

    python gettweets.py

    En förloppsindikator visas. Det räknas upp till 100 % när tweetsen laddas ned.

    Anteckning

    Om det tar lång tid för förloppsindikatorn att gå vidare bör du ändra filtret för att spåra trendande ämnen. När det finns många tweets om ämnet i filtret kan du snabbt få de 100 tweets som behövs.

Ladda upp data

Om du vill ladda upp data till HDInsight Storage använder du följande kommandon:

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

Dessa kommandon lagrar data på en plats som alla noder i klustret kan komma åt.

Kör HiveQL-jobbet

  1. Använd följande kommando för att skapa en fil som innehåller HiveQL-instruktioner :

    nano twitter.hql

    Använd följande text som innehållet i filen:

    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 Twitter
CREATE EXTERNAL TABLE tweets_raw (
    json_response STRING
)
STORED AS TEXTFILE LOCATION '/tutorials/twitter/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);

  2. Tryck på Ctrl + X och tryck sedan på Y för att spara filen.

  3. Använd följande kommando för att köra HiveQL som finns i filen:

    beeline -u 'jdbc:hive2://headnodehost:10001/;transportMode=http' -i twitter.hql

    Det här kommandot kör filen twitter.hql . När frågan är klar visas en jdbc:hive2//localhost:10001/> uppmaning.

  4. Använd följande fråga från beeline-prompten för att verifiera att data har importerats:

    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;

    Den här frågan returnerar högst 10 tweets som innehåller ordet Azure i meddelandetexten.

    Anteckning

    Om du har ändrat filtret i skriptet gettweets.py ersätter du Azure med något av filtren som du använde.

Nästa steg

Du har lärt dig hur du omvandlar en ostrukturerad JSON-datauppsättning till en strukturerad Apache Hive-tabell . Mer information om Hive i HDInsight finns i följande dokument: