转载：Hive实现WordCount详解
1. WordCount原理
初学MapReduce编程，WordCount作为入门经典，类似于初学编程时的Hello World。WordCount的逻辑就是给定一个/多个文本，统计出文本中每次单词/词出现的次数。网上找的一张MapReduce实现WordCount的图例，基本描述清楚了WordCount的内部处理逻辑。本文主要是从Hive使用的角度处理WordCount，就不赘述，之前的一篇博文有MapReduce实现WordCount的代码，可参考 https://www.cnblogs.com/walker-/p/9669631.html。
2. Hive实现WordCount
2.1 SQL实现
先直接上SQL语句，可以看出SQL实现确实比MapReduce实现要清爽得多。大概实现流程分为三步：
分割本文。根据分割符对文本进行分割，切分出每个单词；
行转列。对分割出来的词进行处理，每个单词作为一行；
SELECT word, count(1) AS count FROM
(SELECT explode(split(line, '\r')) AS word FROM docs) w
GROUP BY word
ORDER BY word;
2.2 实现细节
2.2.1 准备文本内容
新建一个 /home/kwang/docs.txt 文本，文本内容如下：
hello world
hello kwang rzheng
2.2.2 新建hive表
这里由于hive环境建表默认格式是ORC，直接load数据hive表无法直接读取，故建表时指定了表格式。
CREATE TABLE `docs`(
`line` string)
ROW FORMAT SERDE
'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
STORED AS INPUTFORMAT
'org.apache.hadoop.mapred.TextInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';
2.2.3 加载数据到hive表中
加载数据到hive表中有两种方式，一种是从Linux本地文件系统加载，一种是从HDFS文件系统加载。
从Linux本地文件系统加载
LOAD DATA LOCAL INPATH '/home/kwang/docs.txt' OVERWRITE INTO TABLE docs;
从HDFS文件系统加载
首先需要将文件上传到HDFS文件系统：
$ hadoop fs -put /home/kwang/docs.txt /user/kwang/
其次从HDFS文件系统加载数据：
LOAD DATA INPATH 'docs.txt' OVERWRITE INTO TABLE docs;
加载数据到hive表后，查看hive表的内容，和原始文本格式并没有区别，将文本按行存储到hive表中，可以通过 select * from docs; 看下hive表内容：
hello world
hello kwang rzheng
2.2.4 分割文本
分割单词SQL实现：
SELECT split(line, '\s') AS word FROM docs;
分割后结果：
["hello","world"]
["hello","kwang","rzheng"]
可以看出，分割后的单词仍是都在一行，无法实现想要的功能，因此需要进行行转列操作。
2.2.5 行转列
行转列SQL实现：
SELECT explode(split(line, ' ')) AS word FROM docs;
转换后的结果：
hello
world
hello
kwang
rzheng
2.2.6 统计计数
SELECT word, count(1) AS count FROM
(SELECT explode(split(line, ' ')) AS word FROM docs) w
GROUP BY word
ORDER BY word;
统计后结果：
hello 2
kwang 1
rzheng 1
world 1
至此，Hive已实现WordCount计数功能。
3. 参考资料
