Analizzare i dati di Twitter mediante Hive e Hadoop in HDInsight

Informazioni su come usare Apache Hive per elaborare i dati di Twitter. Il risultato è un elenco di utenti Twitter che hanno inviato il maggior numero di tweet contenenti una determinata parola.

Importante

I passaggi descritti in questo documento sono stati testati in HDInsight 3.6.

Linux è l'unico sistema operativo usato in HDInsight versione 3.4 o successiva. Per altre informazioni, vedere la sezione relativa al ritiro di HDInsight in Windows.

Ottenere i dati

Twitter consente di recuperare i dati relativi ad ogni tweet come documento JSON (JavaScript Object Notation) attraverso un'API REST. OAuth .

Creare un'applicazione Twitter

  1. Da un Web browser accedere a https://apps.twitter.com/. Se non si dispone di un account Twitter, fare clic sul collegamento Sign up now (Registrati ora).

  2. Fare clic su Create New App.

  3. Compilare i campi Name, Description, Website. Per il campo Website è possibile creare un URL fittizio. Nella tabella seguente vengono mostrati alcuni valori di esempio da usare:

    Campo Valore
    Nome MyHDInsightApp
    Descrizione MyHDInsightApp
    Website http://www.myhdinsightapp.com
  4. Fare clic su Yes, I agree e su Create your Twitter application.

  5. Fare clic sulla scheda Permissions . L'autorizzazione predefinita è Read only.

  6. Fare clic sulla scheda Keys and Access Tokens .

  7. Fare clic su Create my access token.

  8. Fare clic su Test OAuth nell'angolo superiore destro della pagina.

  9. Compilare i campi Consumer key, Consumer secret, Access token e Access token secret.

Scaricare tweet

Il codice Python seguente consente di scaricare 10.000 tweet da Twitter e salvarli in un file denominato tweets.txt.

Nota

I passaggi indicati di seguito vengono eseguiti nel cluster HDInsight, poiché Python è già installato.

  1. Connettersi al cluster HDInsight usando SSH:

    ssh USERNAME@CLUSTERNAME-ssh.azurehdinsight.net
    

    Per altre informazioni, vedere Usare SSH con HDInsight.

  2. Per installare i moduli Tweepy e Progressbar e altri pacchetti obbligatori, usare i comandi seguenti:

    sudo apt install python-dev libffi-dev libssl-dev
    sudo apt remove python-openssl
    pip install virtualenv
    mkdir gettweets
    cd gettweets
    virtualenv gettweets
    source gettweets/bin/activate
    pip install tweepy progressbar pyOpenSSL requests[security]
    
  3. Usare il comando seguente per creare un file denominato gettweets.py:

    nano gettweets.py
    
  4. Usare il testo seguente come contenuto del file gettweets.py:

    #!/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=10000
    
    #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"])
    

    Importante

    Sostituire il testo segnaposto per gli elementi seguenti con le informazioni fornite dall'app Twitter:

    • consumer_secret
    • consumer_key
    • access_token
    • access_token_secret
  5. Usare Ctrl + X, quindi premere Y per salvare il file.

  6. Usare il comando seguente per aprire il file e scaricare i tweet:

    python gettweets.py
    

    Viene visualizzato un indicatore di stato che mostra un valore fino al 100% mentre vengono scaricati i tweet.

    Nota

    Se l'indicatore di stato impiega molto tempo per avanzare, è necessario modificare il filtro per monitorare gli argomenti di tendenza. Quando sono presenti molti tweet relativi all'argomento del filtro, è possibile ottenere rapidamente i 10000 tweet necessari.

Caricare i dati

Usare i comandi seguenti per aggiornare i dati nell'archiviazione HDInsight:

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

Questi comandi archiviano i dati in un percorso accessibile a tutti i nodi del cluster.

Eseguire il processo di HiveQL

  1. Usare il comando seguente per creare un file contenente istruzioni HiveQL:

    nano twitter.hql
    

    Usare il testo seguente come contenuto del file:

    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. Premere Ctrl + X, quindi Y per salvare il file.

  3. Usare il comando riportato di seguito per eseguire lo script HiveQL contenuto nel file:

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

    Questo comando esegue il file twitter.hql. Dopo il completamento della query, viene visualizzato un prompt jdbc:hive2//localhost:10001/>.

  4. Dal prompt dei comandi Beeline usare la query seguente per verificare che i dati siano stati importati:

    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;
    

    Viene restituito un massimo di 10 tweet contenenti la parola Azure nel testo del messaggio.

Passaggi successivi

Si è appreso come trasformare un set di dati JSON non strutturato in una tabella Hive strutturata. Per altre informazioni su Hive in HDInsight, vedere i documenti seguenti: