Hive 这些基础知识，你忘记了吗？

Hive 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。

 

1. 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/hadoop/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/hadoop/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

) 

row format delimited fields terminated by ' ' collection items terminated by ',';

 

加载数据到表中

 

load data local inpath '/home/hadoop/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)

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/hadoop/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 structint,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 ---