hive 总结一

本文参考：黑泽君相关博客
本文是我总结日常工作中遇到的坑，结合黑泽君相关博客，选取、补充了部分内容。

上传数据

1. 上传数据后执行修复 msck 命令

上传数据
hive> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201904/day=14;
hive> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201904/day=14;

查询数据（查询不到刚上传的数据）
hive> select * from dept_partition2 where month='201904' and day='14';
OK

执行修复命令
hive> msck repair table dept_partition2;

再次查询数据
hive> select * from dept_partition2 where month='201904' and day='14';
OK
dept_partition2.deptno    dept_partition2.dname   dept_partition2.loc dept_partition2.month   dept_partition2.day
10    ACCOUNTING  1700    201904  14
20    RESEARCH    1800    201904  14
30    SALES   1900    201904  14
40    OPERATIONS  1700    201904  14

注：数据如果一开始就放到指定路径下，再通过load  data 命令好像会失败，以前遇到过，这里就不测试了，依稀记得有这么个坑

1. 上传数据后添加分区

上传数据
hive> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201905/day=15;
hive> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201905/day=15;

执行添加分区
hive> alter table dept_partition2 add partition(month='201905', day='15');

查询数据
hive> select * from dept_partition2 where month='201905' and day='15';

1. 创建文件夹后load数据到分区（最常用）

创建目录
hive> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201906/day=16;

上传数据
hive> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201906',day='16');

查询数据
hive> select * from dept_partition2 where month='201906' and day='16';

---

Export导出数据

将查询的结果导出到本地
hive> insert overwrite local directory '/opt/module/datas/export/student'
select * from student;

将查询的结果格式化导出到本地
hive> insert overwrite local directory '/opt/module/datas/export/student1'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from student;

将查询的结果导出到HDFS上(没有local)
hive> insert overwrite directory '/user/atguigu/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' 
select * from student;

Hadoop命令导出到本地
hive> dfs -get /user/hive/warehouse/student/month=201909/000000_0 /opt/module/datas/export/student3.txt;
相当于直接拿文件了

Hive Shell 命令导出
bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;

Export导出到HDFS上
hive> export table default.student to '/user/hive/warehouse/export/student';

---

like和rlike

1）使用LIKE运算选择类似的值；
2）选择条件可以包含字符或数字:
  %代表零个或多个字符(任意个字符)。
  _ 代表一个字符。
3）RLIKE子句是Hive中这个功能的一个扩展，其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。

查找以2开头薪水的员工信息
hive> select * from emp where sal LIKE '2%';
7698    BLAKE   MANAGER 7839    1981-5-1    2850.0  NULL    30
7782    CLARK   MANAGER 7839    1981-6-9    2450.0  NULL    10

查找第二个数值为2的薪水的员工信息
hive> select * from emp where sal LIKE '_2%';
7521    WARD    SALESMAN    7698    1981-2-22   1250.0  500.0   30
7654    MARTIN  SALESMAN    7698    1981-9-28   1250.0  1400.0  30

查找薪水中含有2的员工信息
hive> select sal from emp where sal RLIKE '[2]';
1250.0
1250.0
2850.0
2450.0

---

having语句

having与where不同点
（1）where针对表中的列发挥作用，查询数据；having针对查询结果中的列发挥作用，筛选数据。
（2）where后面不能写分组函数，而having后面可以使用分组函数。
（3）having只用于group by分组统计语句。

求emp表中每个部门的平均工资
hive> select deptno, avg(sal) avg_sal from emp 
group by deptno;
10    2916.6666666666665
20    1975.0
30    1566.6666666666667

求emp表中平均薪水大于2000的部门
hive> select deptno, avg(sal) avg_sal from emp 
group by deptno 
having avg_sal>2000;
10    2916.6666666666665

表的别名

使用别名好处
  （1）使用别名可以简化查询。
  （2）使用表名前缀可以提高执行效率。
如果你自己实现解析器，如果是模糊字段名*，或者不带表名前缀，得有不少预处理动作，判断字段名来源于哪个表。而直接指定时，则不用这些判断，省了不少时间。
数据库的sql解析也不过是程序，可以从实现的角度去想想这类问题。
---

排序

• 全局排序（order by）
  

查询员工信息按工资降序排列
hive> select * from emp order by sal desc;

按照员工薪水的2倍排序(按照别名排序)
hive> select ename, sal*2 twosal from emp order by twosal;

按照部门和工资升序排序
hive> select ename, deptno, sal from emp order by deptno, sal;

• 每个MapReduce内部排序（sort by）
  sort by：对于每个Reducer内部进行排序，对全局结果集来说不是排序，有多个Reducer。

设置reduce个数
hive> set mapreduce.job.reduces=3;

查看设置reduce个数
hive> set mapreduce.job.reduces;
mapreduce.job.reduces=3

根据部门编号降序查看员工信息
hive> select * from emp sort by deptno  desc;

• 分区排序（distribute by）

  distribute by：类似MR中partition，作用是进行分区，需要结合sort by使用。
  注意：Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。
  对于distributeby进行测试，一定要分配多reduce进行处理，否则无法看到distribute by的效果。

先按照部门编号分区，再按照员工编号降序排序。
hive> set mapreduce.job.reduces=3;
hive> insert overwrite local directory '/opt/module/datas/distributeby-result' 
select * from emp distribute by deptno sort by empno desc;

cluster by
当distribute by和sorts by的字段相同时，可以使用cluster by方式。 
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。
1）以下两种写法等价
hive> select * from emp cluster by deptno;

分桶

分区针对的是数据的存储路径(文件夹)；分桶针对的是数据文件(文件)。
分区提供一个隔离数据和优化查询的便利方式。
不过，并非所有的数据集都可形成合理的分区，要确定合适的划分大小这个问题。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。适合单个文件很大的情况。

创建分桶表
hive> create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited 
fields terminated by '\t';

查看表结构
hive> desc formatted stu_buck;
Num Buckets:            4    

导入数据到分桶表中
hive> load data local inpath '/opt/module/datas/stu_buck.txt' into table stu_buck;

上述操作后 发现并没有分成4个桶
因为桶表不能通过load的方式直接加载数据，只能从另一张表中插入数据。  
其实仔细想一下就知道了，load只是把文件移动了一个位置，并没有对文件切割。

先建一个普通的stu表
hive>create table stu(id int, name string)
row format delimited fields terminated by '\t';

向普通的stu表中导入数据
hive>load data local inpath '/opt/module/datas/stu_buck.txt' into table stu;

清空stu_buck表中数据
hive> truncate table stu_buck;

导入数据到分桶表，通过子查询的方式
hive> insert into table stu_buck select id, name from stu;

上述操作后 发现还是没有分成4个桶
因为有些属性没有设置

hive> set hive.enforce.bucketing=true;
hive> set mapreduce.job.reduces=-1; -- -1表示reduce的个数不是预先设置好了，而是在执行HQL语句的时候自动分析出来需要几个reduce。
hive> truncate table stu_buck;
hive> insert into table stu_buck
select id, name from stu;

上述操作后 表被分成4个桶

修改桶表中bueket数量
hive>alter table stu_buck clustered by(id,name) sorted by(id) into 10 buckets;

完整语法
hive>create table bkt(name string,id string,phone string,card_num bigint,email string,addr string) clustered by(card_num) into 30 buckets;
hive>create table bak(name string,id string,phone string,card_num bigint,email string,addr string) row format delimited fields terminated by ','
hive>load data local inpath '/home/xfvm/bak' into table bak;
hive>insert into table bkt select * from bak;

---

分桶抽样查询

tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。
X表示从哪个桶中开始抽取，
Y表示相隔多少个桶再次抽取。

hive> select * from bkt tablesample(bucket 2 out of 6 on card_num)
表示从桶中抽取5（30/6）个bucket数据，从第2个bucket开始抽取，抽取的个数由每个桶中的数据量决定。  
相隔6个桶再次抽取，因此，依次抽取的桶为：2，8，14，20，26

注意：x的值必须小于等于y的值，否则报错如下：
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table bkt