Hive 这些基础知识，你忘记了吗？
大数据江湖 人气:1Hive 其实是一个客户端，类似于navcat、plsql 这种，不同的是Hive 是读取 HDFS 上的数据，作为离线查询使用，离线就意味着速度很慢，有可能跑一个任务需要几个小时甚至更长时间都有可能。
在日常开发中 Hive 用的还是挺广泛的，常做一些统计工作，就我自己工作来看其实 80% 的工作由 Hive 的基础部分就能完成了，只有很少的情况需要用到一些复杂查询或者调优工作。
本文着重挑选出一些易于被忽略基础知识,篇幅较多，建议收藏，分次阅读，后台文档中有详细的知识点说明，需要深入了解 Hive 的去文末下载即可。
本文涉及的内容主要是:
在开始内容之前先来简单看下 Hive 原理：
01 Hive 查询原理
Hive 其实是将 hql 转成 MR 程序去跑，这里我们不去深入底层了解到底是怎么转换的，就简单看下Hive查询过程：
1 根据HDFS上数据格式，创建hive表
2 通过映射关系将HDFS数据导入到表中
3 此时hive表对应的元数据信息记录到 mysql 中，元数据可不是指的HDFS上的数据，它是指 hive 表的一些参数。
4 写 select 语句时，根据表与数据的映射关系去写对应的查询语句
5 在执行查询操作时 ,先从元数据库中找到 对应表对应的文件位置，
再通过 hive 的 解析器、编译器、优化器 执行器 将 sql 语句 转换成 MR 程序，运行在 Yarn 上，最终得到结果。
PS：Hive 里有三种查询方式，分别是bin/hive (客户端)、jdbc、webui，一般的使用jdbc方式居多。（后台文档中有详细操作方式，为方便后续执行sql，建议先搭好环境。）
02 内部表外部表区别
Hive 表与常规的数据库表不同，它分为内部表和外部表，它们的区别在创建表和删除表时有所不同。
-
创建表时：
-
内部表会移动数据到指定位置 ，将数据文件移动到默认位置，一般都是/usr/hive/warehouse/ 目录下
-
外部表不会移动数据，数据在哪就是哪
2. 删除表时：
-
内部表删除，数据一起删除
-
外部表不会删除数据
所以区别就很明显了，一般工作中使用外部表做为数据映射，而统计出的结果一般多使用内部表，因为内部表仅仅用于储存结果或者关联，与 HDFS 数据无关。
Q:
那么怎么区分表是外部表或者是内部表呢？
A:
-
对于已经创建的表可以使用：
desc formatted 表名即可查看。
-
对于新建表：
使用建表语句时即可区分，其中带 EXTERNAL 的是外部表，不带的则是内部表。
建表语句如下：
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] -- 列名 列字段类型 [COMMENT table_comment] -- 注释 [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] -- 分区字段 [CLUSTERED BY (col_name, col_name, ...) -- 分桶 [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] -- 排序字段 [ROW FORMAT row_format] row format delimited fields terminated by “分隔符” [STORED AS file_format] -- 以什么形式存储 [LOCATION hdfs_path] -- 对应HDFS文件路径
03 Hive 分区表
分区表几乎是必用的，一般以自然年月为分区，这样数据比较好管理。而且在执行查询语句时可以指定查询分区数据，
-
不加分区的 sql 情况 ：
select a1,a2 .. from table1;
这样会扫描全表数据，假如数据量比较大，那要等执行结果估计猴年马月了。
-
添加分区情况 ：
select a1,a2 .. from table1 where (year = '2019' and month='12');
这样的话就只会查询2019年12月的数据了，善用分区会大大提升查询效率。
那分区怎么创建呢？
在建表语句中的分区那行加上就是了，
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] -- 分区字段
就这么简单。
举个例子，一个分区字段的分区表就不说了，多个分区分区表 sql 如下：
create table student (id string,name string, age int) partitioned by (year string,month string,day string) row format delimited fields terminated by '\t';
分区划分：
分区分为静态分区和动态分区。
-
静态分区需要人为指定分区，并且需要明确分区字段，举例 sql 如下：
1 创建分区表：
create table order_partition( order_number string, order_price double, order_time string ) partitioned BY(month string) row format delimited fields terminated by '\t';
2 准备数据 在 order.txt 中内容如下：
10001 100 2019-03-02 10002 200 2019-03-02 10003 300 2019-03-02 10004 400 2019-03-03 10005 500 2019-03-03 10006 600 2019-03-03 10007 700 2019-03-04 10008 800 2019-03-04 10009 900 2019-03-04
3 将本地文件加载到 表中
load data local inpath '/bigdata/install/hivedatas/order.txt' overwrite into table order_partition partition(month='2019-03');
这里再最后指定分区为 2019-03 ，所以以上所有内容都会在 2019-03 这个分区中。分区可以手动添加、删除。
4 查询结果
select * from order_partition where month='2019-03';
结果为：
分区 10001 100.0 2019-03-02 2019-03 10002 200.0 2019-03-02 2019-03 10003 300.0 2019-03-02 2019-03 10004 400.0 2019-03-03 2019-03 10005 500.0 2019-03-03 2019-03 10006 600.0 2019-03-03 2019-03 10007 700.0 2019-03-04 2019-03 10008 800.0 2019-03-04 2019-03 10009 900.0 2019-03-04 2019-03
-
动态分区则可以将数据自动导入表的不同分区中，与静态分区不同的是 动态分区只需要指定分区字段，不需要明确分区字段的值。
例如：
1 创建分区表：
--创建普通表
create table t_order(
order_number string,
order_price double,
order_time string
)row format delimited fields terminated by '\t';
--创建目标分区表
create table order_dynamic_partition(
order_number string,
order_price double
)partitioned BY(order_time string)
row format delimited fields terminated by '\t';
2 准备数据 order_created.txt内容，内容同静态分区
10001 100 2019-03-02 10002 200 2019-03-02 10003 300 2019-03-02 10004 400 2019-03-03 10005 500 2019-03-03 10006 600 2019-03-03 10007 700 2019-03-04 10008 800 2019-03-04 10009 900 2019-03-04
3 向普通表t_order加载数据
load data local inpath '/bigdata/install/hivedatas/order_partition.txt' overwrite into table t_order;
这里没有手动指明分区字段的值，而是根据分区字段有内部自己判断数据落在哪个分区中。
4 动态加载数据到分区表中
要想进行动态分区，需要设置参数：
//开启动态分区功能 hive> set hive.exec.dynamic.partition=true; //设置hive为非严格模式 hive> set hive.exec.dynamic.partition.mode=nonstrict; //加载数据 hive> insert into table order_dynamic_partition partition(order_time) select order_number,order_price,order_time from t_order;
5、查看分区
hive> show partitions order_dynamic_partition; 2019-03-02 2019-03-03 2019-03-04
04 Hive分桶表
分桶表一般在超大数据时才会使用，分桶将整个数据内容按某列属性值取hash值进行区分，具有相同hash值的数据进入到同一个文件中，意味着原本属于一个文件的数据经过分桶后会落到多个文件中。
例如：
-
创建分桶表之前要设置一些参数：
1 开启分桶 set hive.enforce.bucketing = true 2 设置桶个数 set mapreduce.job.reduces = 4;
-
创建分桶表：
// 1 创建分桶表 create table user_bucket_demo(id int,name string) cluster by (id) into 4 buckets row format delimited fields terminated by '\t' // 2 创建普通表 create table user_demo(id int,name string) row format delimited fields terminated by '\t' // 3 加载本地数据到普通表 load data local inpath '/home/hadoophttps://img.qb5200.com/download-x/data/02/user_bucket.txt' into table user_demo; 注意： //使用这个方式 加载数据到分桶表，数据不会分桶 load data local inpath '/home/hadoophttps://img.qb5200.com/download-x/data/02/user_bucket.txt' into table user_bucket_demo; // 4 正确的分桶表加载数据方式: insert into user_bucket_demo select * from user_demo; // 5 查看结果 select * from user_bucket_demo tablesample(bucket 1 out of 2) -- 需要的总桶数=4/2=2个 -- 先从第1个桶中取出数据 -- 再从第1+2=3个桶中取出数据 tablesample(buket x out of y) 函数说明： - x表示从第几个桶开始取数据 - y表示桶数的倍数，一共需要从 ==桶数/y== 个桶中取数据
05 Hive数据导入
数据导入一般是初始化的工作，一般将表与 HDFS 路径映射好之后，后续的分区数据会自动与表做好映射。所以这块一般来说用的不多，在自己测试时使用的居多吧。
数据导入方式如下：
-
load 方式加载数据
这种方式在之前分区表时已经使用过了。
load data [local] inpath 'dataPath' [overwrite ] into table student [partition (partcol1=val1,…)];
添加 local 表示从本地加载，不添加表示从 HDFS 上加载
添加 overwrite 表示 覆盖原表数据 ，不添加 overwrite 表示追加
添加 partition 表示向某个分区添加数据
-
查询方式加载数据
insert overwrite table yourTableName partition(month = '201806') select column1,column2 from otherTable;
-
查询语句中创建表并加载数据
create table yourTableName as select * from otherTable;
-
使用location 指定加载数据路径（常用）
1 创建表，并指定HDFS上路径
create external table score (s_id string,c_id string,s_score int) row format delimited fields terminated by '\t' location '/myscore';
2 上传数据到 HDFS 上，可在 Hive客户端通过 dfs 命令操作 HDFS
//创建 HDFS 路径
dfs -mkdir -p /myscore;
//上传数据到 HDFS 上，测试数据在文末。
dfs -put /bigdata/install/hivedatas/score.csv /myscore;
//查看结果
3 select * from score;
注意：
如果查询不到数据 可使用 ：
msck repair table score;
进行表的修复,说白了就是建立我们表与我们数据文件之间的一个关系映射
06 使用复合数据类型建表
Hive 中复合数据类型有 Array、Map、Struct 这三种。
Array 代表数组，类型相同的数据
Map 映射 k--v 对
Struct 则存储类型不同的一组数据
创建表时除需要指定每行的分隔符（row format），要是有复合类型的还需要指定复合类型的分隔符。
复合数据建表语句：
create table tablename (id string,name string,...) row format delimited fields terminated by ' ' Collection items terminated by '\t' -- array 分隔符 Array、Struct Map keys terminated by ':' -- map 分隔符
语句说明
建表：
Array/Struct/map 创建表时使用 分割符都为 Collection items terminated by ''
map 如果是多个 map， 多个 KV 使用 Collection items terminated by '\t'
map KV 间 使用 map keys terminated by '：'
查询使用：
array -- select locations[0]
map -- info['name']
struct -- info.name info.age
测试案例：
-
Array
准备测试数据文档 t_array.txt，多个字段使用“，”拼接
数据：
1 zhangsan beijing,shanghai
2 lisi shanghai,tianjin
建表： create table t_array( id string, name string, locations array<string> ) row format delimited fields terminated by ' ' collection items terminated by ','; 加载数据到表中 load data local inpath '/home/hadoophttps://img.qb5200.com/download-x/data/01/t_array.txt' into table t_array; 测试查询结果： 1 简单查询： select id,locations[0],locations[1] from t_array; 2 查询数组中元素个数 select size(locations) from t_array 3 查询locations中包含 beijing 的信息 select * from t_array where array_contains(address,'beijing')
-
Map
准备测试数据文档t_map.txt
数据：
1 name:zhangsan#age:30
2 name:lisi#age:40
建表： create table t_map (id string,info map<string,string>) row format delimited fields terminated by ' ' collection items terminated by '#' --- 表示多个 KV 之间拼接的符号 map keys terminated by ':' ----- 表示一个 KV 间的分隔符 加载数据： load data local inpath '/home/hadoophttps://img.qb5200.com/download-x/data/01/t_map.txt' into table t_map; 查询结果： 1 简单查询： select id,info['name'],info['age'] from t_map; 2 查询 map 的所有 key 值： select map_keys(info) from t_map; 3 查询 map_values 所有 value 值： select map_values(info) from t_map;
-
Struct
准备测试数据文档t_struct.txt
数据：
1 zhangsan:30:beijing
2 lisi:40:shanghai
建表： create table t_struct(id string,info struct<name:string,age:int,address:string>) row format delimited fields terminated by ' ' --字段间分隔符 collection items terminated by ':' -- struct间分隔符 加载数据： load data local inpath '' into table t_struct; 查询结果： select id,info.name,info.age,info.address from t_struct;
07 Hive 中 4 个 by 的区别
order by 全局排序，不论 reduce 个数是几，结果全局有序
sort by 每个 reduce 内有序，当reduce个数为1时，结果同 order by 是 全局有序，当 reduce 个数大于1，则每个reduce内有序
distribute by + sort by 使用，分区排序，与 sort by 区别在于可以指定分区字段，将map端查询结果hash相同的结果分发到对应的reduce，每个reduce 内有序
cluster by 当 distribute by + sort by 字段相同时，可换成 cluster by
08 实际需求-表连接时使用分区查询
Hive表连接与常规数据库的表连接使用方法一样，关键字还是 inner join ,left join 等等，下面看一下实际工作中用到的需求。
需求如下：
Hive 中一张存储文章表，
字段说明：
title --标题
content -- 内容
pubtime --发布时间
serviceId --文章类型
表分区字段 --year month
查询文章发布时间 2019年11月份 11-18号，标题与内容相同，并且标题大于 30 的文章 ，文章类型在 1-5
结果使用子查询 + 自连接查相同文章
注意：一定要使用分区，不然程序会卡死。
结果 sql 如下：
select t1.id, t1.title,t1.content, t1.pubtime,t1.serviceId from (select id, title,content, pubtime,serviceId from article_info where (year = '2019' and month = '11')) t1 inner join (select id, url, content, pubtime,serviceId from article_info where (year = '2019' and month = '11')) t2 on t1.id = t2.id where t1.pubtime >= '2019-11-11 00:00:00' and t1.pubtime <='2019-11-18 23:59:59' and length(t1.title) < 30 and t1.serviceId in (1,2,3,4,5) and t1.title = t2.content
需求并不难，其实 hive 就是需要多练，在实际工作中有需求才好发挥。
09资料领取
关注公众号 "大数据江湖"后台回复 “Hive学习文档”，即可领取详细资料。
ps: 我还整理了一些 Hive 常用函数，点击可查看。
Hive 语法与常用的 sql 类似，可能一些复杂的查询需要借助函数来完成，常用函数总结在 “阅读原文”中，sql 也原本就是熟能生巧的东西，只要多多练习，相信我们在工作中都能够得心应手。
--- The End ---
加载全部内容