Hive笔记

什么是Hive

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能（本质上是将HQL转化成MapReduce程序）

Hive能增删查，不能改，一次写入，多次读取

Hive的优点

• 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）
• 避免了去写MapReduce，减少开发人员的学习成本
• Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合
• Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高
• Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数

Hive的缺点

1．Hive的HQL表达能力有限

• 迭代式算法无法表达

• 数据挖掘方面不擅长

2．Hive的效率比较低

• Hive自动生成的MapReduce作业，通常情况下不够智能化

• Hive调优比较困难，粒度较粗

Hive架构

Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

下面对其中的架构元件做简单的梳理

1. 用户接口：Client

CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive）

2. 元数据：Metastore

元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等

默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

3．Hadoop

使用HDFS进行存储，使用MapReduce进行计算

4．驱动器：Driver

• 解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误

• 编译器（Physical Plan）：将AST编译生成逻辑执行计划

• 优化器（Query Optimizer）：对逻辑执行计划进行优化

• 执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark

Hive和数据库比较

由于 Hive 采用了类似SQL 的查询语言 HQL，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。

索引

没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。

执行引擎

Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

执行延迟

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

**可扩展性 **

由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。

数据更新

Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的。

数据规模

由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

数据存储位置

Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

Hive的安装部署

Hive的安装部署有三种模式，分为内嵌模式、本地模式和远程模式

其中Hive的本地模式安装可参考自：Hive3.1.2安装指南

Hive的常用操作

启动hive

bin/hive

如果Hive的安装部署是本地模式或远程模式，记得要打开数据库

查看数据库

show databases;

打开默认数据库

use default;

显示default数据库中的表

show tables;

创建一张表

create table student(id int, name string);

查看表的结构

desc student;

向表中插入数据

insert into student values(1000,"ss");

查询表中数据

select * from student;

退出Hive

quit;

将本地文件导入Hive案例

在/usr/local/hive目录下创建datas

mkdir datas

在/usr/local/hive/datas/目录下创建student.txt文件并添加数据

touch student.txt
vi student.txt

添加（注意以tab键间隔）

1001 zhangshan
1002 lishi
1003 zhaoliu

启动hive

bin/hive

查看数据库

show databases;

打开默认数据库

use default;

显示default数据库中的表

show tables;

删除已创建的student表

drop table student;

创建student表, 并声明文件分隔符’\t’

create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

加载/usr/local/hive/datas/student.txt 文件到student数据库表中。

load data local inpath '/usr/local/hive/datas/student.txt' into table student;

Hive查询结果

select * from student;

HiveJDBC访问

启动hiveserver2服务

cd /usr/local/hive
bin/hiveserver2

打开另一个终端启动beeline

bin/beeline

再连接hiveserver2

!connect jdbc:hive2://Master:10000

在这里我使用hadoop用户连接hiveserver2，需要在hadoop的配置文件core-site.xml指定连接hiveserver2的用户，至于如何配置请参考 启动hiveserver2连接不上jdbc:hive2://localhost:10000

Hive常用交互命令

“-e”不进入hive的交互窗口执行sql语句

“-f”执行脚本中sql语句

Hive其他命令操作

在hive cli命令窗口中查看hdfs文件系统

dfs -ls /;

在hive cli命令窗口中如何查看本地文件系统

!ls /usr/local/hive/datas;

查看在hive中输入的所有历史命令

• 进入到当前用户的根目录/root或/home/hadoop

• 查看. hivehistory文件

Hive常见属性配置

Hive数据仓库位置配置

• Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下

• 在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹

• 修改default数据仓库原始位置（将hive-default.xml.template.xml如下配置信息拷贝到hive-site.xml）

  <property>
  <name>hive.metastore.warehouse.dirname>
  <value>/user/hive/warehouse2value>
  <description>location of default database for the warehousedescription>
  property>
  

  配置同组用户有执行权限

  hdfs dfs -chmod g+w /user/hive/warehouse2
  

查询数据表后信息显示配置

在hive-site.xml文件中添加如下配置信息，就可以实现查询时显示当前数据库，以及查询表的头信息配置

<property>
	<name>hive.cli.print.headername>
	<value>truevalue>
property>
<property>
	<name>hive.cli.print.current.dbname>
	<value>truevalue>
property>

Hive运行日志信息配置

• Hive的log默认存放在/tmp/hadoop/hive.log目录下（hadoop是当前用户名）

• 修改hive的log存放日志到/usr/local/hive/logs目录下

  修改/usr/local/hive/conf/hive-log4j.properties.template文件名称为

  hive-log4j.properties

  在hive-log4j.properties文件中修改log存放位置

  hive.log.dir=/usr/local/hive/logs

参数配置方式

查看当前所有的配置信息

set;

参数的配置三种方式

配置文件方式

默认配置文件：hive-default.xml

用户自定义配置文件：hive-site.xml

注意：用户自定义配置会覆盖默认配置。另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。

命令行参数方式

启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。

bin/hive -hiveconf mapred.reduce.tasks=10;

注意：仅对本次hive启动有效

查看参数设置

set mapred.reduce.tasks;

参数声明方式

可以在HQL中使用SET关键字设定参数

set mapred.reduce.tasks=100;

注意：仅对本次hive启动有效。

查看参数设置

set mapred.reduce.tasks;

上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

Hive数据类型

基本数据类型

Hive数据类型	Java数据类型	长度	例子
TINYINT	byte	1byte有符号整数	20
SMALINT	short	2byte有符号整数	20
INT	int	4byte有符号整数	20
BIGINT	long	8byte有符号整数	20
BOOLEAN	boolean	布尔类型，true或者false	TRUE FALSE
FLOAT	float	单精度浮点数	3.14159
DOUBLE	double	双精度浮点数	3.14159
STRING	string	字符系列。可以指定字符集。可以使用单引号或者双引号。	‘now is the time’ “for all good men”
TIMESTAMP		时间类型
BINARY		字节数组

Hive的String类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储2GB的字符数。

集合数据类型

数据类型	描述	语法示例
STRUCT	和c语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。	struct()
MAP	MAP是一组键-值对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么可以通过字段名[‘last’]获取最后一个元素	map()
ARRAY	数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素可以通过数组名[1]进行引用。	Array()

案例实操

假设某表有如下一行，我们用JSON格式来表示其数据结构。

{
    "name": "songsong",
    "friends": ["bingbing" , "lili"] ,       //列表Array, 
    "children": {                      //键值Map,
        "xiao song": 18 ,
        "xiaoxiao song": 19
    }
    "address": {                      //结构Struct,
        "street": "hui long guan" ,
        "city": "beijing" 
    }
}

基于上述数据结构，我们在Hive里创建对应的表，并导入数据，创建本地测试文件test.txt。

ongsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

注意：MAP，STRUCT和ARRAY里的元素间关系都可以用同一个字符表示，这里用“_”。

在Hive上创建表

create table test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

字段解释

• row format delimited fields terminated by ‘,’ – 列分隔符

• collection items terminated by ‘_’ --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)

• map keys terminated by ‘:’ – MAP中的key与value的分隔符

• lines terminated by ‘\n’; – 行分隔符

导入数据到Hive表中

load data local inpath '/home/hadoop/test.txt' into table test;

访问三种集合列里的数据，以下分别是ARRAY，MAP，STRUCT的访问方式

select friends[1],children['xiao song'],address.city from test
where name="ongsong";

DDL数据操作

数据库的相关操作

创建一个数据库，数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db

create database db_hive;

避免要创建的数据库已经存在错误，增加if not exists判断

create database if not exists db_hive;

创建一个数据库，指定数据库在HDFS上存放的位置

create database db_hive2 location '/db_hive2.db';

过滤显示的数据库

show databases like 'db_hive*';

显示数据库信息

desc database db_hive;

显示数据库详细信息

desc database extended db_hive;

用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的，包括数据库名和数据库所在的目录位置

alter database db_hive set dbproperties('createtime'='20170830');

删除空数据库

drop database db_hive2;

删除不为空数据库

drop database db_hive cascade;

数据表的相关操作

普通创建表

create table if not exists student2(
id int, name string
)
row format delimited fields terminated by '\t'
stored as textfile
location '/user/hive/warehouse/student2';

根据查询结果创建表（查询的结果会添加到新创建的表中）

create table if not exists student3 as select id, name from student;

根据已经存在的表结构创建表

create table if not exists student4 like student;

查询表的类型

desc formatted student2;

修改内部表为外部表

alter table student2 set tblproperties('EXTERNAL'='TRUE');

修改外部表为内部表

alter table student2 set tblproperties('EXTERNAL'='FALSE');

创建分区表

create table dept_partition(deptno int, dname string, loc string) partitioned by (month string) row format delimited fields terminated by ',';

加载数据到分区表中

load data local inpath '/usr/local/hive/datas/part1.txt' into table default.dept_partition partition(month='201709');

load data local inpath '/usr/local/hive/datas/part2.txt' into table default.dept_partition partition(month='201708');

查询分区表数据

select * from dept_partition where month='201709';

多分区联合查询数据

select * from dept_partition where month='201709' union select * from dept_partition where month='201708';

增加单个分区

alter table dept_partition add partition(month='201706') ;

同时增加多个分区

alter table dept_partition add partition(month='201705') partition(month='201704');

删除分区

alter table dept_partition drop partition (month='201704');

同时删除多个分区

alter table dept_partition drop partition (month='201705'), partition (month='201706');

查看分区表有多少个分区

show partitions dept_partition;

创建二级分区表

create table dept_partition3(deptno int, dname string, loc string) partitioned by (month string, day string) row format delimited fields terminated by ',';

加载数据到二级分区表中

load data local inpath '/usr/local/hive/datas/part1.txt' into table
 default.dept_partition3 partition(month='201709', day='13');

查询二级分区表分区数据

select * from dept_partition3 where month='201709' and day='13';

把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式

• 上传数据后修复

#创建分区目录
dfs -mkdir -p /user/hive/warehouse/dept_partition3/month=201709/day=12;
 
#上传数据
dfs -put /usr/local/hive/datas/part1.txt /user/hive/warehouse/dept_partition3/month=201709/day=12;

#执行修复
msck repair table dept_partition3;

#查询数据
select * from dept_partition3 where month='201709' and day='12';

• 上传数据后添加分区

#创建分区目录
dfs -mkdir -p /user/hive/warehouse/dept_partition3/month=201709/day=10;

#上传数据
dfs -put /usr/local/hive/datas/part1.txt /user/hive/warehouse/dept_partition3/month=201709/day=10;

#执行添加分区
alter table dept_partition3 add partition(month='201709',day='10');

#查询数据
select * from dept_partition3 where month='201709' and day='10';

• 创建文件夹后load数据到分区

#创建分区目录
dfs -mkdir -p /user/hive/warehouse/dept_partition3/month=201709/day=9;

#上传数据
load data local inpath '/usr/local/hive/datas/part2.txt' into table
 dept_partition3 partition(month='201709',day='9');

#查询数据
select * from dept_partition3 where month='201709' and day='9';

重命名表

alter table dept_partition2 rename to dept_partition3;

删除表

drop table dept_partition;

添加列

alter table dept_partition add columns(deptdesc string);

更新列

alter table dept_partition change column deptdesc desc int;

替换列

alter table dept_partition replace columns(deptno string, dname string, loc string);

DML数据操作

数据导入

向表中加载数据（load）

load data [local] inpath '/opt/module/datas/student.txt' overwrite | into table student [partition (partcol1=val1,…)];

• load data:表示加载数据
• local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
• inpath:表示加载数据的路径
• overwrite:表示覆盖表中已有数据，否则表示追加
• into table:表示加载到哪张表
• student:表示具体的表
• partition:表示上传到指定分区

举个栗子1：加载本地文件到hive

load data local inpath '/usr/local/hive/datas/student.txt' into table default.student;

举个栗子2：加载HDFS文件到hive

load data inpath '/user/hive/warehouse/student/student.txt' into table default.student;

举个栗子3：加载数据覆盖表中已有数据

load data local inpath '/usr/local/hive/datas/student_new.txt' overwrite into table default.student;

向表中插入数据（insert）

举个栗子1：基本插入数据

insert into table dept_partition partition(month='201708') values(1,'wangwu','aaaaa');

举个栗子2：基本模式插入

insert overwrite table dept_partition partition(month='201709') select id, name from student where month='201709';

举个栗子3：多重插入

from student 
insert overwrite table student partition(month='201707') 
select id, name where month='201709' 
insert overwrite table student partition(month='201706') 
select id, name where month='201709';

查询语句中创建表并加载数据（As Select）

create table if not exists student3
as select id, name from student;

创建表时通过Location指定加载数据路径

create table if not exists student5(id int, name string) row format delimited fields terminated by '\t' location '/user/hive/warehouse/student5';

import数据到指定hive表中

import table student2 partition(month='201709') from
 '/user/hive/warehouse/student5';

数据导出

Insert导出

将查询的结果导出到本地

insert overwrite local directory '/usr/local/hive/datas/student' select * from student;

将查询的结果格式化导出到本地

insert overwrite local directory '/usr/local/hive/datas/student' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;

将查询的结果导出到HDFS上

insert overwrite directory '/usr/local/hive/datas/student1' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;

Hadoop命令导出到本地

dfs -get /usr/local/hive/datas/student1/000000_0
/usr/local/hive/datas/student1.txt;

Hive Shell命令导出到本地

bin/hive -e 'select * from default.student;' > /usr/local/hive/datas/student2.txt;

export导出到HDFS上

export table default.student to '/user/hive/warehouse/student4';

清除表中数据（Truncate）

Truncate只能删除管理表，不能删除外部表中数据

truncate table student3;

查询

基本查询

全表查询

select * from emp;

选择特定列查询

select empno, ename from emp;

列别名（可以紧跟列名，也可以在列名和别名之间加入关键字‘AS’ ）

select ename AS name, deptno dn from emp;

算术运算符

运算符	描述
A+B	A和B 相加
A-B	A减去B
A*B	A和B 相乘
A/B	A除以B
A%B	A对B取余
A&B	A和B按位取与
A|B	A和B按位取或
A^B	A和B按位取异或
~A	A按位取反

查询出所有员工的薪水后加1显示。

select sal +1 from emp;

一些常用函数

• 求总行数（count）

select count(*) cnt from emp;

• 求工资的最大值（max）

select max(sal) max_sal from emp;

• 求工资的最小值（min）

select min(sal) min_sal from emp;

• 求工资的总和（sum）

select sum(sal) sum_sal from emp; 

• 求工资的平均值（avg）

select avg(sal) avg_sal from emp;

LIMIT子句

典型的查询会返回多行数据，LIMIT子句用于限制返回的行数

select * from emp limit 5;

Where语句

使用WHERE子句，将不满足条件的行过滤掉

select * from emp where sal >1000;

比较运算符

操作符	支持的数据类型	描述
A=B	基本数据类型	如果A等于B则返回TRUE，反之返回FALSE
A<=>B	基本数据类型	如果A和B都为NULL，则返回TRUE，其他的和等号（=）操作符的结果一致，如果任一为NULL则结果为NULL
A<>B, A!=B	基本数据类型	A或者B为NULL则返回NULL；如果A不等于B，则返回TRUE，反之返回FALSE
A	基本数据类型	A或者B为NULL，则返回NULL；如果A小于B，则返回TRUE，反之返回FALSE
A<=B	基本数据类型	A或者B为NULL，则返回NULL；如果A小于等于B，则返回TRUE，反之返回FALSE
A>B	基本数据类型	A或者B为NULL，则返回NULL；如果A大于B，则返回TRUE，反之返回FALSE
A>=B	基本数据类型	A或者B为NULL，则返回NULL；如果A大于等于B，则返回TRUE，反之返回FALSE
A [NOT] BETWEEN B AND C	基本数据类型	如果A，B或者C任一为NULL，则结果为NULL。如果A的值大于等于B而且小于或等于C，则结果为TRUE，反之为FALSE。如果使用NOT关键字则可达到相反的效果。
A IS NULL	所有数据类型	如果A等于NULL，则返回TRUE，反之返回FALSE
A IS NOT NULL	所有数据类型	如果A不等于NULL，则返回TRUE，反之返回FALSE
IN(数值1, 数值2)	所有数据类型	使用 IN运算显示列表中的值
A [NOT] LIKE B	STRING 类型	B是一个SQL下的简单正则表达式，如果A与其匹配的话，则返回TRUE；反之返回FALSE。B的表达式说明如下：‘x%’表示A必须以字母‘x’开头，‘%x’表示A必须以字母’x’结尾，而‘%x%’表示A包含有字母’x’,可以位于开头，结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。
A RLIKE B, A REGEXP B	STRING 类型	B是一个正则表达式，如果A与其匹配，则返回TRUE；反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串A相匹配，而不是只需与其字符串匹配。

• 查询出薪水等于5000的所有员工

select * from emp where sal = 5000;

• 查询工资在500到1000的员工信息

select * from emp where sal between 500 and 1000;

• 查询comm为空的所有员工信息

select * from emp where comm is null;

• 查询工资是1500或5000的员工信息

select * from emp where sal IN (1500, 5000);

Like和RLike

使用LIKE运算选择类似的值

选择条件可以包含字符或数字:

1. % 代表零个或多个字符(任意个字符)。

2. _ 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

select * from emp where sal LIKE '2%';

• 查找第二个数值为2的薪水的员工信息

select * from emp where sal LIKE '_2%';

• 查找薪水中含有2的员工信息

select * from emp where sal RLIKE '[2]';

逻辑运算符（And/Or/Not）

操作符	含义
AND	逻辑并
OR	逻辑或
NOT	逻辑否

• 查询薪水大于1000，部门是30

select * from emp where sal>1000 and deptno=30;

• 查询薪水大于1000，或者部门是30

select * from emp where sal>1000 or deptno=30;

• 查询除了20部门和30部门以外的员工信息

select * from emp where deptno not IN(30, 20);

分组

Group By语句

GROUP BY语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然后对每个组执行聚合操作。

可见 Hive之GROUP BY详解

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. having只用于group by分组统计语句。
3. where后面不能写分组函数，而having后面可以使用分组函数。

举个小栗子

求每个部门的平均薪水大于2000的部门

hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

Join语句

等值Join

Hive支持通常的SQL JOIN语句，但是只支持等值连接，不支持非等值连接。

select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;

表的别名

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。

select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

内连接

select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

左外连接

select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

右外连接

select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

全外连接

select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

注意

左外连接=左表全部记录+相关联结果
右外连接=右表全部记录+相关联结果
全外连接=左表全部记录+右表全部记录+相关联结果=左外连接+右外连接-相关联结果

笛卡尔积

1. 省略连接条件

2. 连接条件无效

3. 所有表中的所有行互相连接

select empno, dname from emp, dept;

多表连接

创建位置表

create table if not exists default.location(
loc int,
loc_name string
)
row format delimited fields terminated by '\t';

导入数据

load data local inpath '/opt/module/datas/location.txt' into table default.location;

多表连接查询

SELECT e.ename, d.deptno, l. loc_name
FROM   emp e 
JOIN   dept d
ON     d.deptno = e.deptno 
JOIN   location l
ON     d.loc = l.loc;

大多数情况下，Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作，然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。

连接谓语不支持or

比如下式是错误的

select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno
= d.deptno or e.ename=d.ename;   

排序

全局排序

使用 ORDER BY 子句排序

• ASC（ascend）: 升序（默认）
• DESC（descend）: 降序

查询员工信息按工资升序排列

select * from emp order by sal;

查询员工信息按工资降序排列

select * from emp order by sal desc;

按照别名排序

按照员工薪水的2倍排序

select ename, sal*2 twosal from emp order by twosal;

多个列排序

按照部门和工资升序排序

select ename, deptno, sal from emp order by deptno, sal;

每个MapReduce内部排序（Sort By）

Sort By：每个Reducer内部进行排序，对全局结果集来说不是排序。

设置reduce个数

set mapreduce.job.reduces=3;

查看设置reduce个数

set mapreduce.job.reduces;

根据部门编号降序查看员工信息

select * from emp sort by empno desc;

将查询结果导入到文件中（按照部门编号降序排序）

insert overwrite local directory '/opt/module/datas/sortby-result' select * from emp sort by deptno desc;

分区排序

Distribute By：类似MR中partition，进行分区，结合sort by使用。

注意，Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。

先按照部门编号分区，再按照员工编号降序排序。

set mapreduce.job.reduces=3;

insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

Cluster By

当distribute by和sorts by字段相同时，可以使用cluster by方式。

以下两种写法等价

select * from emp cluster by deptno;
select * from emp distribute by deptno sort by deptno;

关于distribute by、sort by和cluster by之间关系，可见hive中的distribute by

分桶及抽样查询

创建分桶表，直接导入数据文件

创建分桶表

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

desc formatted stu_buck;

可以看到分桶的数量：Num Buckets:4

开启分桶功能

set hive.enforce.bucketing=true;

设置分桶数量

set mapreduce.job.reduces=4;

导入数据到分桶表

load data local inpath '/usr/local/hive/datas/student.txt' into table stu_buck;

创建分桶表时，数据通过子查询的方式导入

先建一个普通的stu表

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

load data local inpath  '/usr/local/hive/datas/student.txt' into table stu; 

清空stu_buck表中数据

truncate table stu_buck;  

导入数据到分桶表，通过子查询的方式

set hive.enforce.bucketing=true;

set mapreduce.job.reduces=4;

insert into table stu_buck select id, name from stu;

查询分桶的数据

select * from stu_buck;

分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

查询表stu_buck中的数据。

select * from stu_buck  tablesample(bucket 1 out of 4 on id); 

注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。

y必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例。例如，table总共分了4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据。

x表示从哪个bucket开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，抽取第1(x)个和第3(x+y)个bucket的数据。

注意：x的值必须小于等于y的值。

其他常用查询函数

空字段赋值

NVL：给值为NULL的数据赋值，它的格式是NVL( string1, replace_with)。它的功能是如果string1为NULL，则NVL函数返回replace_with的值，否则返回string1的值，如果两个参数都为NULL ，则返回NULL。

如果员工的comm为NULL，则用-1代替

select nvl(comm,-1) from emp;

如果员工的comm为NULL，则用领导id代替

select nvl(comm,mgr) from emp;

case when

需求：求出不同部门男女各多少人（结果如下）

dept_id	male_count	female_count
A	2	2
B	1	1

创建数据（vi emp_sex.txt）

xiaoa	A	boy
xiaob	A	girl
xiaoc	B	girl
xiaod	B	boy
xiaoe	A	girl
xiaof	A	boy

创建hive表并导入数据

create table emp_sex(name string, dept_id string, sex string) 
row format delimited fields terminated by "\t";
load data local inpath '/usr/local/hive/datas/emp_sex.txt' into table emp_sex;

按需求查询数据

select 
  dept_id,
  sum(case sex when 'boy' then 1 else 0 end) male_count,
  sum(case sex when 'girl' then 1 else 0 end) female_count
from 
  emp_sex
group by
  dept_id;

行转列

concat(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串。

concat_ws(separator, str1, str2,…)：concat()的一个特殊形式，表示concat with separator，两个参数之间加上特定的分隔符。返回的是用指定分隔符连接参数的字符串。如果分割符为null，则返回null，参数为null，则忽略该参数。

collect_set(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生array类型字段。

需求：把星座和血型一样的人归类到一起（结果如下）

sheshou,A	xiaoaa | xiaoee
baiyang,A	xiaoff
baiyang,B	xiaobb |

创建数据（vi constellation.txt）

xiaoaa  baiyang A
xiaobb  sheshou B
xiaocc  sheshou B
xiaoee  baiyang A
xiaoff  baiyang B

创建hive表并导入数据

create table person_info(name string, constellation string, blood_type string) row format delimited fields terminated by "\t";

load data local inpath '/usr/local/hive/datas/constellation.txt' into table person_info;

按需求查询数据

select
    t1.base,
    concat_ws('|', collect_set(t1.name)) name
from
    (select
        name,
        concat(constellation, ",", blood_type) base
    from
        person_info) t1
group by
    t1.base;

列转行

explode：就是将hive一行中单元格中复杂的array或者map结构拆分成多行。

• 用于array的语法如下：

select explode(arraycol) as newcol from tablename;

explode()：函数中的参数传入的是arrary数据类型的列名。

newcol：是给转换成的列命名一个新的名字，用于代表转换之后的列名。

tablename：原表名。

关于lateral view可见这篇博客：hive中的lateral view 与 explode函数的使用

需求：将电影分类中的数组数据展开（结果如下）

《疑犯追踪》      悬疑
《疑犯追踪》      动作
《疑犯追踪》      科幻
《疑犯追踪》      剧情
《Lie to me》   悬疑
《Lie to me》   警匪
《Lie to me》   动作
《Lie to me》   心理
《Lie to me》   剧情
《战狼2》        战争
《战狼2》        动作
《战狼2》        灾难

创建数据（vi movie.txt）

《疑犯追踪》	悬疑,动作,科幻,剧情
《Lie to me》	悬疑,警匪,动作,心理,剧情
《战狼2》	战争,动作,灾难

创建表并导入数据

create table movie_info(movie string,category array<string>) 
row format delimited fields terminated by "\t"
collection items terminated by ",";

load data local inpath "/usr/local/hive/datas/movie.txt" into table movie_info;

按需求查询数据

select
    movie,
    category_name
from 
    movie_info lateral view explode(category) table_tmp as category_name;

窗口函数

开窗的意义，在于为前面的聚合函数提供一个计算的窗口，聚合函数只在这个指定的窗口里运算。

有关Hive中窗口函数的操作，可见 Hive：窗口函数