hive学习笔记——表的基本的操作

1、hive的数据加载方式

1.1、load data

这中方式一般用于初始化的时候

load data [local] inpath '...' [overwrite] into table t1 [partition(...)]
-- 如果有local是从linux磁盘加载，如果没带local是从hdfs的某个目录移动到hive中
-- 带上overwrite会覆盖掉表中原来的数据
-- partition 加载到指定分区

1.2、使用查询语句向表中插入数据

insert overwrite table t1 select * from t2;
--也可以不覆盖掉，直接导入，把关键词overwrite替换为into
 
-- 对于分区表稍微复杂
insert overwrite table t2 partition(day=2) select * from t1;
--有一张大表，可以通过这种方式构建小表。但是这种方式在多个分区的情况下效率很低，会对原始表执行多次扫描。
 
--将一张大表拆开写入分区表的时候应该使用下面的语法
from t1
insert overwrite table t2 partition(day=2) select * where day=2
insert overwrite table t2 partition(day=3) select * where day=3
insert overwrite table t4 select * where day=4

1.3、动态分区的插入

如果分区很多的情况下，单独下插入语句是非常恐怖的事。

所谓的动态分区，指的是插入到目标表时，不指定分区值，仅指定分区字段，分区值是从原始表中取得的。

默认，hive是不支持动态分区插入的，如果不支持的话，可以设置hive.exec.dynamic.partition=true打开。

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.mode=nonstrict;
set hive.exec.max.dynamic.partitions.pernode=1000;

insert overwrite table t2 partition(province,city) select ...,province,city from a;
--动态分区的字段一定位于其他各个字段的最后

也可以动态静态结合的使用

insert overwrite table t2 partition(province='beijing',city) select ...,province,city from a;
--前面指定了province的值的时候，在select中查不查province已经无所谓了（前面指定的值优先级高，但是不会对后面的查询结果进行过滤，就是说所有的province的值都会改为北京）

1.4、CTAS

使用单个查询语句创建表并加载数据（不能创建分区表，外部表，桶表）

create table ... as select

查询数据的时候允许创建一张表，语法如下

create table t3 as select id from t1 where id =1

1.5、导出数据

有两种方式：

（1）直接使用HDFS命令导出文件夹

（2）使用如下语法的hive

insert overwrite local directory 'localpath' select id from t1;

2、表查询

2.1、数据查询

表可以使用别名

select * from t1 e;

在select 和 where 子句中可以使用hive的内置函数和自定义函数。函数分为普通函数、聚合函数、表函数。其中表函数必须使用别名，不能在where语句中不能引用列别名。

2.2、表连接

hive只支持等值连接，即on子句中使用等号连接。

如果连接语句中有where子句，会先执行join子句，在执行where子句。

2.2.1、内连接

内连接指把符合条件的数据查询出来。

语句如下：

select * from user join job on user.id=job.user_id;
-- 等价于
select * from user , job on user.id=job.user_id;

2.2.2、左外连接

语句如下：

select * from user left outer join job on user.id=job.user_id;

2.2.3、右外连接

和左外连接类似，语句如下

select * from user right outer join job on user.id=job.user_id;

2.2.4、全外连接

语法如下

select * from user outer join job on user.id=job.user_id;

2.2.5、左半连接

老版本特有的功能，用来代替in 和 exist操作

语法如下：

select * from user left semi join job on user.id=job.user_id;
--语句相当于：
select * from user where user.id in (select user_id from job);

但是hive不支持in子句（新版本中已经支持in）

2.2.6、笛卡尔积

语句如下：

select * from user join job;

2.2.7、join 与where的顺序

where 子句的执行顺序是位于join子句之后的。对比下列两个sql语句的输出

select * from user left join job on user.id=job.user_id where job.id=3;
select * from user left join (select * from job where id=3) job on user.id = job.user_id;

第一条语句无任何输出，第二条语句产生三条输出。

2.3、排序

hive支持 order by 和 sort by子句

当可能有多个reduce任务时，order by 是在一个 reduce 任务中进行排序；sort by 是在多个reduce 任务内部进行排序，每个reduce 任务自己排序，不管全局是否有排序。

distribute by 会与 sort by一起使用，目的是在sort 不用排序时把相同的分类放到一个reduce中进行排序

*cluster by 是distribute by 和 sort by的缩写形式。

2.4、数据倾斜

数据不是均匀分布，在shuffle过程中，map向reduce分配数据的时候，分配的数据量不一样，导致执行时间不一样。

2.5、视图

*作用在于简化复杂查询

创建视图

create view user_view as select * from user where id=1;

3、hive参数

hive-default.xml中的参数

4、hive的文件格式

4.1、自定义hive的文件格式

create table t1(...) stored as textfile;
--缺点：占用空间比较大

sequencefile 是包含键值对的二进制的文件存储格式，支持压缩可以节约存储空间。是hadoop领域的标准文件格式，但是在hadoop之外无法使用。

rcfile 是列式文件存储格式，适合压缩处理。对于有成百上千的字段而言，RCFile 更加适合。

5、调优

5.1、本地模式

对于小文件处理，如果分发到各个节点处理，网络传输等因素效率很低。

对于小数据集，运行时设置SET mapred.job.tracker=local;可以使用本地方式运行，即在hive客户端执行，而不是提交到hadoop集群执行。因此速度更快。

5.2、map side agg

row format, storage format,serde

row foramt 用户指定row foramt(行分隔)

delimited 子句用户处理有分隔符的文件；

escaped by 子句用户普通处理分隔符；

null defined as 子句用户指定空如何显示，默认是'\N'；

serde 子句用户指定serde；

stored as textfile 用于指定处处文件必须是普通文件；

stored as sequencefile 用户指定存储文件可以被压缩；

inputformat和outputformat用户指定inputformat和outputformat的名称；

stored as parquet 指定列格式 parquet存储格式；

stored by 用于创建非本地表，如hbase表等；

7、DML

7.1、Alter Table

--表重命名
Alter TABLE table_name RENAME To new_table_name;
--修改表属性
ALTER TABLE table_name SET TBLPROPERTIES table_properties;
--修改注释
ALTER TABLE table_name SET SERDEPROPERTIES serde_paoperties;
--添加SerDe
ALTER TABLE table_name SET SERDE serde_class_name [WITH SERDEPROPERTIES serde_properties];
ALTER TABLE table_name SET SERDEPROPERTIES serde_properties;
--修改表存储
ALTER TABLE table_name CLUSTERED BY(col_name,col_name...) [STORED BY(col_name...)] INTO num_buckets BUCKETS;

7.2、Alter Partition

7.2.1、Add Partitions

ALTER TABLE table_name ADD [IF NOT EXISTS] PARTITION partition_spec [LOCATION 'location1'] partition_spec [LOCATION 'location2'];

7.2.2、Dynamic Partition

7.2.3、Rename Partition

ALTER TABLE table_name Partition partition_spec RENAME TO PARTITION partition_spec;

7.2.4、Recover Partitions

MSCK REPAIR TABLE table_name;
--会把已经位于HDFS的分区目录中，但是在metastore中没有的分区信息，自动添加到metastore中。

7.2.5、Drop Partitions

ALTER TABLE table_name DROP [IF EXISTS] PARTITION partition_spec, PARTITION partition_spec;

如果分区有些保护，可以使用下面语句；

ALTER TABLE table_name DROP [IF EXISTS] PARTITION partition_spec IGNORE PROTECTION;

7.3、Alter Column

7.3.1、Change Column Name/Type/Position/Comment

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name col_type [COMMENT col_comment] [FIRST|ALTER column_name];

修改语句只会影响metastore，不会影响原始数据。

7.3.2、Add/Replace Columns

7.4、Create/Drop/Alter View

创建视图

CREATE VIEW [IF NOT EXISTS] view_name [(column_name [COMMENT column_comment],...)] [COMMENT view_comment] [TBLPROPERTIES (property_name=property_value,...)] AS SELECT ...

视图仅是逻辑对象，在HDFS中没有存储。当基表改变时，视图定义不会改变，再次使用视图会报错。

--删除视图
DROP VIEW [IF EXISTS] view_name;
--修改视图定义
 ALTER VIEW view_name AS select_statement;

7.5、Create/Drop Functions

7.6、Create/Drop/Grant/Revoke Roles and Privileges

7.7、Show

--显示数据库
SHOW DATABASES;
--显示表
SHOW TABLES [IN database_name];
--显示分区
SHOW PARTITIONS table_name;
--显示一部分分区
SHOW PARTITIONS [db_name].table_name [PARTITION(partition_desc)];
--显示表/分区扩展信息
SHOW TABLE EXTENDED [IN|FROM database_name]  LIKE identifier_with_wildcards [PARTITION(partition_desc)];

7.8、Describe

7.9、Select

语法

[WITH CommonTableExpression (,CommonTableExpression)*]
 
SELECT [ALL|DISTINCT] select_expr,select_expr,...
 
FROM table_reference
 
[WHERE where_condition]
 
[GROUP BY col_list]
 
[[CLUSTER BY col_list] | [DISTRIBUTE BY col_list] [SORT BY col_list]]
 
[LIMIT number]

7.9.1、where 子句

where 子句必须是布尔值，可以支持子查询

7.9.2、all and distinct

select 子句中默认是all，可以不写。Distinct 是去重。

7.9.3、基于partition的查询

7.9.4、having 子句

having子句相当于子查询。

7.9.5、limit子句

返回指定数量的数据，数据是任意的。

7.10、使用正则

7.11、group by 子句

7.12、join子句

table_reference JOIN table_factor [join_condition]
| table_reference {LEFT | RIGHT |　FULL} [OUTER] JOIN table_reference join_condition
|table_reference LEFT SEMI JOIN table_reference join_condition
|table_reference CROSS JOIN table_reference [join_condition]

不使用join，使用逗号分隔表，也会认为是join操作。

默认，每个join操作会产生一个 M/R job

驱动表

多表联合的时候，非驱动表会被缓存，也可以通过STREAMTABL指定驱动表

10、Types

10.1、符合类型

hive array、map、struct使用

struct:struct 内部的数据可以通过Dot（.）来访问

map(k-v对)：访问指定域可以通过["指定域名称"]进行。map["key"]

array：array中的数据为相同类型，通过下标访问内部数据(起始位置0)

10.1.1、struct使用

建表：

create table student_test(id INT,info struct<name:STRING,age:INT>)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
COLLECTION ITEMS TERMINATED BY ':';
--FIELDS TERMINATED BY :字段之间的分隔符
--COLLECTION ITEMS TERMINATED BY :一个字段各item的分隔符

数据示例：

1,小李:12

加载数据

load data local  inpath 'data' into table student_test;

查询：

select info.age from student_test;

10.1.2、array的使用

创建表

create table array_table(name STRING,student_id_list array<INT>)
row format delimited
fields terminated by ','
collection items terminated by ':';

导入数据

load data local inpath 'data6' into table array_table;

查询

select student_id_list[] from array_table;

10.1.3、map使用

创建表

create table map_table(id STRING,pref map<string,int>)
row format delimited
fields terminated by '\t'
collection items terminated by ','
map keys terminated by ':';

导入数据

load data local inpath 'map_data' into table map_table;

查询

select perf['person'] from map_table;

11、ORC

ORC(optimized row columnar) 提供了更高效的方式存储hive数据。使用ORC，会提高读、写、处理数据的能力。

（1）每个task输出会产生一个文件，可以煎炒namenode的压力；

（2）支持datetime、decimal和复合类型；

（3）文件中可以存储轻量级的索引；

（4）支持数据类型的块压缩；

（5）使用多个RecordReader并发的读取相同的文件；

（6）ability to split files without scanning for markers;

（7）bound the amount of memory needed for reading or writing;

（8）metadata stored using Protocol Buffers,which allows addition and removal of fields;

12、CompressedStorage

压缩存储有时候可以获得更好的性能。

使用TextFile 存储时，可以使用GZIP或BZIP2进行压缩。操作如下：

CREATE TABLE raw(line STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n';
LOAD DATA LOCAL INPATH 'file.gz' INTO TABLE raw;

以上操作的缺点是hive在查下时不能分割压缩文件，不能并行执行map。

更好的方式如下操作：

CREATE TABLE raw(line STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n';
CREATE TABLE raw_sequence(line STRING) STORED AS SEQUENCEFILE;
LOAD DATA LOCAL INPATH 'file.gz' INTO TABLE raw;
SET hive.exec.compress.output=true;
SET io.seqfile.compression.type=BLOCK; --NONE/RECORD/BLOCK
INSERT OVERWRITE TABLE raw_sequence SELECT * FROM raw;

把数据插入到另一张表，另一张表使用SequenceFile存储。

13、函数

13.1、常见函数

hive函数分为四大类：单行函数、聚合函数、表函数、分析函数。

在hive客户端输入show functions 中可以看到所有的函数。

查看函数的用法 show function function_name;

表函数：

explode()函数是把一个数组作为数据，输出时数组的每个元素作为单独一行。

示例:

select explode(array(1,23,4)) from dual;
select explode(map(1,11,2,22,4,44)) from dual;

*dual 是一个伪表，满足sql的语法select ... from ...;

*array是一个函数

posexplode()函数和explode()函数非常相似，增加的功能是返回结果带有位置信息，表示第几行。

parse_url_tuple()函数用户解析url信息。

示例：

select parse_url_tuple('http://www.test.com/a.html?key=k1&key2=k2#tag ','HOST','PATH','QUERY','QUERY:k1','QUERY:k2') from dual;

12.2、自定义函数

12.2.1、自定义单行函数

（1）继承org.apache.hadoop.hive.ql.exec.UDF，覆盖其中的evaluate()方法，该方法的形参数量、类型，返回值类型，都不做限制。返回值只要是hive可以序列化的类型即可。

（2）打包成jar

（3）在hvie命令行下，执行命令ADD JAR ...jar;

（4）在hive命令行下，执行命令CREATE TEMPORARY FUNCTION xxx AS '函数全名称';

如果要删除函数，在hive命令行下，执行DROP TEMPORARY FUNCTION IF EXISTS xxx;