Paso 4: cargar los datos en HDFS

En este paso, copiaremos un archivo de datos en Hadoop Distributed File System (HDFS) y, a continuación, crearemos una tabla Hive externa mapeada con ese archivo de datos.

Descarga del ejemplo de datos

1. Descargue el ejemplo de archivo de datos (features.zip):

   wget https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/samples/features.zip

2. Extraiga el archivo features.txt del archivo comprimido:

   unzip features.zip

3. Vea las primeras líneas del archivo features.txt:

   head features.txt

   El resultado debe ser parecido al siguiente:

   1535908|Big Run|Stream|WV|38.6370428|-80.8595469|794
   875609|Constable Hook|Cape|NJ|40.657881|-74.0990309|7
   1217998|Gooseberry Island|Island|RI|41.4534361|-71.3253284|10
   26603|Boone Moore Spring|Spring|AZ|34.0895692|-111.410065|3681
   1506738|Missouri Flat|Flat|WA|46.7634987|-117.0346113|2605
   1181348|Minnow Run|Stream|PA|40.0820178|-79.3800349|1558
   1288759|Hunting Creek|Stream|TN|36.343969|-83.8029682|1024
   533060|Big Charles Bayou|Bay|LA|29.6046517|-91.9828654|0
   829689|Greenwood Creek|Stream|NE|41.596086|-103.0499296|3671
   541692|Button Willow Island|Island|LA|31.9579389|-93.0648847|98

   El archivo features.txt contiene un subconjunto de los datos del United States Board on Geographic Names (Consejo Estadounidense de Nombres Geográficos) (http://geonames.usgs.gov/domestic/download_data.htm). Los campos de cada línea representan lo siguiente:

   • Identificador del accidente geográfico (identificador único)

   • Nombre

   • Clase (lago, bosque, arroyo, etc.)

   • Estado

   • Latitud (grados)

   • Longitud (grados)

   • Altitud (en pies)

4. En el símbolo del sistema, escriba el siguiente comando:

   hive

   El símbolo del sistema cambia a lo siguiente: hive>

5. Escriba la siguiente instrucción de HiveQL para crear una tabla de Hive nativa:

   CREATE TABLE hive_features
       (feature_id             BIGINT,
       feature_name            STRING ,
       feature_class           STRING ,
       state_alpha             STRING,
       prim_lat_dec            DOUBLE ,
       prim_long_dec           DOUBLE ,
       elev_in_ft              BIGINT)
       ROW FORMAT DELIMITED
       FIELDS TERMINATED BY '|'
       LINES TERMINATED BY '\n';

6. Escriba la siguiente instrucción de HiveQL para cargar datos en la tabla:

   LOAD DATA
   LOCAL
   INPATH './features.txt'
   OVERWRITE
   INTO TABLE hive_features;

7. Ahora, tenemos una tabla de Hive nativa que contiene los datos del archivo features.txt. Para comprobarlo, escriba la siguiente instrucción de HiveQL:

   SELECT state_alpha, COUNT(*)
   FROM hive_features
   GROUP BY state_alpha;

   El resultado debería ser una lista de estados y el número de accidentes geográficos de cada uno de ellos.

Siguiente paso

Paso 5: copiar los datos a DynamoDB