吴超老师课程--Hive的执行语句

为什么选择Hive？

（1）基于Hadoop的大数据的计算/扩展能力
（2）支持SQL like查询语言
（3）统一的元数据管理
（4）简单编程

一：Hive的数据类型
(1)基本数据类型
tinyint/smallint/int/bigint
float/double
boolean
string
(2)复杂数据类型
Array/Map/Struct
没有date/datetime

（3）Hive的数据存储
Hive的数据存储基于Hadoop HDFS
Hive没有专门的数据存储格式
存储结构主要包括：数据库、文件、表、视图
Hive默认可以直接加载文本文件（TextFile），还支持sequence file
创建表时，指定Hive数据的列分隔符与行分隔符，Hive即可解析数据

（4）Hive的数据模型-数据库

类似传统数据库的DataBase
默认数据库"default"
使用#hive命令后，不使用hive>use <数据库名>，系统默认的数据库。可以显式使用hive> use default;
创建一个新库
hive > create database test_dw;
（5）Hive的数据模型-表
Table 内部表
Partition  分区表
External Table 外部表
Bucket  Table 桶表

（6）Hive的数据模型-内部表

与数据库中的 Table 在概念上是类似
每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 test，它在 HDFS 中的路径为：/ warehouse/test。

warehouse是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录
所有的 Table 数据（不包括 External Table）都保存在这个目录中。
删除表时，元数据与数据都会被删除

创建数据文件inner_table.dat
创建表
hive>create table inner_table (key string);
加载数据
hive>load data local inpath '/root/inner_table.dat' into table inner_table;
查看数据
select * from inner_table
select count(*) from inner_table
删除表 drop table inner_table

（7）Hive的数据模型-分区表

Partition 对应于数据库的 Partition 列的密集索引
在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中
例如：test表中包含 date 和 city 两个 Partition，
则对应于date=20130201, city = bj 的 HDFS 子目录为：
/warehouse/test/date=20130201/city=bj
对应于date=20130202, city=sh 的HDFS 子目录为；
/warehouse/test/date=20130202/city=sh

CREATE TABLE tmp_table #表名
(
title   string, # 字段名称 字段类型
minimum_bid     double,
quantity        bigint,
have_invoice    bigint
)COMMENT '注释：XXX' #表注释
 PARTITIONED BY(pt STRING) #分区表字段（如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据）
 ROW FORMAT DELIMITED
   FIELDS TERMINATED BY '\001'   # 字段是用什么分割开的
STORED AS SEQUENCEFILE; #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式

一些相关命令
SHOW TABLES; # 查看所有的表
SHOW TABLES '*TMP*'; #支持模糊查询
SHOW PARTITIONS TMP_TABLE; #查看表有哪些分区
DESCRIBE TMP_TABLE; #查看表结构

创建数据文件partition_table.dat
创建表
create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) row format delimited fields terminated by '\t' stored as TEXTFILE;
加载数据到分区
load data local inpath '/home/partition_table.dat' into table partition_table partition (daytime='2013-02-01',city='bj');
查看数据
select * from partition_table
select count(*) from partition_table
•删除表 drop table partition_table

alter table partition_table add partition (daytime='2013-02-04',city='bj');
通过load data 加载数据
 
alter table partition_table drop partition (daytime='2013-02-04',city='bj')
元数据，数据文件删除，但目录daytime=--04还在

（8）Hive的数据模型—桶表

桶表是对数据进行哈希取值，然后放到不同文件中存储。

创建表
    create table bucket_table(id string) clustered by(id) into  buckets;
加载数据
    set hive.enforce.bucketing = true;
    insert into table bucket_table select name from stu;
    insert overwrite table bucket_table select name from stu;
数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。
 
抽样查询
    select * from bucket_table tablesample(bucket  out of  on id);

（9）Hive的数据模型-外部表

指向已经在 HDFS 中存在的数据，可以创建 Partition
它和内部表在元数据的组织上是相同的，而实际数据的存储则有较大的差异
内部表 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；

之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除
外部表只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中，只是与外部数据建立一个链接。

当删除一个 外部表时，仅删除该链接

CREATE EXTERNAL TABLE page_view
( viewTime INT,
  userid BIGINT,
  page_url STRING,
 referrer_url STRING,
  ip STRING COMMENT 'IP Address of the User',
  country STRING COMMENT 'country of origination‘
)
    COMMENT 'This is the staging page view table'
    ROW FORMAT DELIMITED FIELDS TERMINATED BY '' LINES     TERMINATED BY ''
    STORED AS TEXTFILE
    LOCATION 'hdfs://centos:9000/user/data/staging/page_view';

创建数据文件external_table.dat
 
创建表
hive>create external table external_table1 (key string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' location '/home/external';
在HDFS创建目录/home/external
#hadoop fs -put /home/external_table.dat /home/external
 
加载数据
LOAD DATA INPATH '/home/external_table1.dat' INTO TABLE external_table1;
 
查看数据
select * from external_table
select count(*) from external_table
 
删除表
drop table external_table

视图操作

视图的创建
CREATE VIEW v1 AS select * from t1;

表的操作

表的修改
alter table target_tab add columns (cols,string)
表的删除
drop table

导入数据

当数据被加载至表中时，不会对数据进行任何转换。
Load 操作只是将数据复制/移动至 Hive 表对应的位置。
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE]    INTO TABLE tablename    [PARTITION (partcol1=val1, partcol2=val2 ...)]
把一个Hive表导入到另一个已建Hive表
INSERT OVERWRITE TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement FROM from_statement
CTAS
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
    (col_name data_type, ...)    …
    AS SELECT …
例：create table new_external_test as  select * from external_table1;

查询

select
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] | [ORDER BY col_list] ]
    [LIMIT number]

基于Partition的查询
一般 SELECT 查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。
Hive 当前的实现是，只有分区断言（Partitioned by）出现在离 FROM 子句最近的那个WHERE 子句中，才会启用分区剪枝。
例如，如果 page_views 表（按天分区）使用 date 列分区，以下语句只会读取分区为‘--’的数据。
 SELECT page_views.*    FROM page_views    WHERE page_views.date >= '2013-03-01' AND page_views.date <= '2013-03-01'
LIMIT Clause
Limit 可以限制查询的记录数。查询的结果是随机选择的。
下面的查询语句从 t1 表中随机查询5条记录：
SELECT * FROM t1 LIMIT
Top N查询
下面的查询语句查询销售记录最大的  个销售代表。
SET mapred.reduce.tasks =   SELECT * FROM sales SORT BY amount DESC LIMIT 5                                                                              

表连接
 
导入ac信息表
hive> create table acinfo (name string,acip string)  row format delimited fields terminated by '\t' stored as TEXTFILE;
hive> load data local inpath '/home/acinfo/ac.dat' into table acinfo;
内连接
select b.name,a.* from dim_ac a join acinfo b on (a.ac=b.acip) limit ;
左外连接
select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit ;

Java客户端

Hive远程服务启动#hive --service hiveserver >/dev/null  >/dev/null &
JAVA客户端相关代码
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";
 
ResultSet res = stmt.executeQuery(querySQL);  
 
while (res.next()) {
System.out.println(res.getString() +"\t" +res.getLong()+"\t" +res.getLong()+"\t" +res.getLong()+"\t" +res.getLong());
}

UDF
1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。
2、编写UDF函数的时候需要注意一下几点：
a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
b）需要实现evaluate函数，evaluate函数支持重载。
4、步骤
a）把程序打包放到目标机器上去；
b）进入hive客户端，添加jar包：hive>add jar /run/jar/udf_test.jar;
c）创建临时函数：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
d）查询HQL语句：
SELECT add_example(8, 9) FROM scores;
SELECT add_example(scores.math, scores.art) FROM scores;
SELECT add_example(6, 7, 8, 6.8) FROM scores;
e）销毁临时函数：hive> DROP TEMPORARY FUNCTION add_example;
注：UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF

二：HIVE的执行语句

1. 内部表
   创建表：CREATE TABLE t1(id int);  
   为创建的表上传数据：LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1;
   也可以用hadoop fs put id /id的方式上传数据
   为创建的表的两列分开：CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
2. 分区表
   CREATE TABLE t3(id int) PARTITIONED BY (day int);  
   LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1 PARTITION (day=22);   
3. 桶表
   create table t4(id int) clustered by(id) into 4 buckets;
   set hive.enforce.bucketing = true;
   insert into table t4 select id from t3;
4. 外部表
   create external table t5(id int) location '/external';