数据管理项目

hive-udf

此模块为分词的hive udf，输入string字段即可产出分词结果 hanlp.properties可以配置自定义路径，resources文件夹下有词库，可以添加，不过要重新打包上传。 打包方法

mvn clean package -Pprod -Dmaven.test.skip=true

其中-Pprod表示用生产环境配置，配置文件路径具体可看maven的pom文件

udf使用方法

set mapred.child.java.opts = -Xmx1024m;
ADD JAR /home/hadoop/yulei/jar/hive-udf-1.0.jar;
CREATE TEMPORARY FUNCTION seg AS 'com.mobduos.bigdata.hive.udf.HanlpSegUDF';
select aweme_id, c_text, seg(c_text) as tokens 
from rlog_douyin_comment

stat

此模块为数据脚本, 调度入口为manual_schedule.sh

建表语句

/stat/tables/hive_tables.sql

表前缀解释

rlog 为原始日志，用的hive外部表，映射到cos上的具体路径 log 为落地到hdfs的日志 base 表是清洗过的全量信息 stat 表为按天统计的数据，理论上出报表从stat前缀表出