HIVE精炼笔记总结——[建导篇]
1. hive建库建表与数据导入
1.1. 建库
hive中有一个默认的库：
库名： default
库目录：hdfs://hdp20-01:9000/user/hive/warehouse
新建库：
create database db_order;
库建好后，在hdfs中会生成一个库目录：
hdfs://hdp20-01:9000/user/hive/warehouse/db_order.db
1.2. 建表
1.2.1. 基本建表语句
use db_order;
create table t_order(id string,create_timestring,amount float,uid string);
表建好后，会在所属的库目录中生成一个表目录
/user/hive/warehouse/db_order.db/t_order
只是，这样建表的话，hive会认为表数据文件中的字段分隔符为 ^A
正确的建表语句为：
create table t_order(id string,create_timestring,amount float,uid string)
row format delimited
fields terminated by ',';
这样就指定了，我们的表数据文件中的字段分隔符为 ","
1.2.2. 删除表
drop table t_order;
删除表的效果是：
hive会从元数据库中清除关于这个表的信息；
hive还会从hdfs中删除这个表的表目录；
1.2.3. 内部表与外部表
内部表(MANAGED_TABLE)：表目录按照hive的规范来部署，位于hive的仓库目录/user/hive/warehouse中
外部表(EXTERNAL_TABLE)：表目录由建表用户自己指定
create external tablet_access(ip string,url string,access_time string)
row format delimited
fields terminated by ','
location '/access/log';
外部表和内部表的特性差别：
1、内部表的目录在hive的仓库目录中 VS 外部表的目录由用户指定
2、drop一个内部表时：hive会清除相关元数据，并删除表数据目录
3、drop一个外部表时：hive只会清除相关元数据；
一个hive的数据仓库，最底层的表，一定是来自于外部系统，为了不影响外部系统的工作逻辑，在hive中可建external表来映射这些外部系统产生的数据目录；
然后，后续的etl操作，产生的各种表建议用managed_table
1.2.4. 分区表
分区表的实质是：在表目录中为数据文件创建分区子目录，以便于在查询时，MR程序可以针对分区子目录中的数据进行处理，缩减读取数据的范围。
比如，网站每天产生的浏览记录，浏览记录应该建一个表来存放，但是，有时候，我们可能只需要对某一天的浏览记录进行分析
这时，就可以将这个表建为分区表，每天的数据导入其中的一个分区；
当然，每日的分区目录，应该有一个目录名（分区字段）
1.2.4.1. 一个分区字段的实例：
示例如下：
1、创建带分区的表
create table t_access(ip string,url string,access_time string) partitioned by(dt string) row format delimited fields terminated by ','; |
注意：分区字段不能是表定义中的已存在字段
2、向分区中导入数据
load data localinpath '/root/access.log.2017-08-04.log' into table t_accesspartition(dt='20170804');
load data localinpath '/root/access.log.2017-08-05.log' into table t_accesspartition(dt='20170805');
3、针对分区数据进行查询
a、统计8月4号的总PV：
select count(*) from t_access where dt='20170804';
实质：就是将分区字段当成表字段来用，就可以使用where子句指定分区了
b、统计表中所有数据总的PV：
select count(*) from t_access;
实质：不指定分区条件即可
1.2.4.2. 多个分区字段示例
建表：
create table t_partition(id int,namestring,age int)
partitioned by(departmentstring,sex string,howold int)
row format delimited fields terminated by',';
导数据：
load data localinpath '/root/p1.dat' into table t_partition partition(department='xiangsheng',sex='male',howold=20);
1.2.5. CTAS建表语法
可以通过已存在表来建表：
1、create tablet_user_2 like t_user;
新建的t_user_2表结构定义与源表t_user一致，但是没有数据
2、在建表的同时插入数据
create table t_access_user as select ip,url from t_access; |
t_access_user会根据select查询的字段来建表，同时将查询的结果插入新表中
1.3. 数据导入导出
1.3.1. 将数据文件导入hive的表
方式1：导入数据的一种方式：
手动用hdfs命令，将文件放入表目录；
方式2：在hive的交互式shell中用hive命令来导入本地数据到表目录
hive>load data local inpath '/root/order.data.2' into table t_order;
方式3：用hive命令导入hdfs中的数据文件到表目录
hive>load data inpath'/access.log.2017-08-06.log' into table t_access partition(dt='20170806');
注意：导本地文件和导HDFS文件的区别：
本地文件导入表：复制
hdfs文件导入表：移动
1.3.2. 将hive表中的数据导出到指定路径的文件
1、将hive表中的数据导入HDFS的文件
insert overwrite directory'/root/access-data'
row format delimited fields terminatedby ','
select * from t_access;
2、将hive表中的数据导入本地磁盘文件
insert overwrite local directory '/root/access-data'
row format delimited fields terminatedby ','
select * from t_access limit 100000;
1.3.3. hive文件格式
HIVE支持很多种文件格式： SEQUENCEFILE | TEXT FILE | PARQUET FILE | RC FILE
create table t_pq(movie string,rateint) stored as textfile;
create table t_pq(movie string,rateint) stored as sequencefile;
create table t_pq(movie string,rate int) stored as parquetfile;
演示：
1、先建一个存储文本文件的表
create table t_access_text(ip string,url string,access_time string)
row format delimited fields terminated by','
stored as textfile;
导入文本数据到表中：
load data local inpath'/root/access-data/000000_0' into table t_access_text;
2、建一个存储sequence file文件的表：
create table t_access_seq(ip string,urlstring,access_time string)
stored as sequencefile;
从文本表中查询数据插入sequencefile表中，生成数据文件就是sequencefile格式的了：
insert into t_access_seq
select * from t_access_text;
3、建一个存储parquet file文件的表：
create table t_access_parq(ip string,urlstring,access_time string)
stored as parquetfile;