大数据开发实战：Hive表DDL和DML

　　1、Hive 表 DDL

　　　　1.1、创建表

　　　　Hive中创建表的完整语法如下：

　　　　CREATE [EXTERNAL] TABLE [IF NOT EXISTS]  table_name

　　　　　　[ (col_name data_type [COMMET col_comment], . . .)]

　　　　　　[COMMENT table_comment]

　　　　　　[PARTITIONED BY (col_name data_type [COMMENT col_comment], . . . )]

　　　　　　[CLUSTERED BY (col_name, col_name, . . . )]

　　　　　　[SORTED BY (col_name [ASC|DESC], . . . )  INFO num_buckets BUCKETS]

　　　　　　[ROW FORMAT row_format]

　　　　　　[STORED AS file_format]

　　　　　　[LOCATION hdfs_path]

 

　　　　CREATE  TABLE：用于创建一个指定名称的表，如果相同名字的表已经存在，则抛出异常，可以用 IF NOT EXISTS选项来忽略这个异常。

　　　　EXTERNAL：该关键字可以让用户创建一个外部表，在创建表的同时指定一个指向实际数据的的路径（LOCATION）.

　　　　COMMENT：可以为表和字段增加注释

　　　　ROW FORMAT：用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定的ROW FORMAT或者ROW FORMAT DELIMITED，将会使用自带的SerDe；在创建表时，用户还需要为表指定列，同时也会指定

　　　　　　　　　　　　自定义的SerDe。Hive通过SerDe确定表的具体的列的数据。Serde是 Serializer/Deserializer的简写。hive使用Serde进行行对象的序列与反序列化。

 

　　　　　　一条简单的建表语句如下：

　　　　　　hive> CREATE TABLE  gripe(foo INT, bar STRING);

　　　　Like：允许用户复制现有的表结构，但是不复制数据。例如：

　　　　　　hive>CREATE TABLE empty_key_value_store LIKE  key_value_store

　　　　另外还可以通过CREATE TABLE AS  SELECT的方式来创建表，例如：

　　　　　　hive>CREATE TABLE new_key_value_store

　　　　　　　　　ROW FORMAT  SERDE  "org.apache.Hadoop.hive.serde2.columnar.ColumnarSerDe" STORED AS RCFile

　　　　　　　　　AS

　　　　　　　　　SELECT (key % 1024)  new_key , concat(key, value)  key_value_pair

　　　　　　　　　FROM  key_value_store

　　　　　　　　　SORT BY  new_key, key_value_pair;

　　　　

　　　　1.2、修改表

　　　　　　修改表名的语法如下：

　　　　　　hive> ALTER TABLE old_table_name  RENAME  TO  new_table_name;

　　　　　　修改列名的语法如下：

　　　　　　hive>ALTER  TABLE  table_name CHANGE  [COLUMN]  old_col_name  new_col_name  column_type  [COMMENT  col_comment] [FIRST|AFTER  column_name]

　　　　　　上述语法允许改变列名、数据类型、注释、列位置或者它们的任意组合。建表后如果需要增加一列，则使用如下语法：

　　　　　　hive>ALTER TABLE  gripe ADD COLUMNS (new_col  INT  COMMENT 'new col  comment');

　　　　1.3、删除表

　　　　　　DROP TABLE 语句用于删除表的数据和元数据。对应外部表，只删除Metastore中的元数据，而外部数据保存不动，例如：

　　　　　　drop table my_table;

　　　　　　如果只想删除表数据，保留表结构，跟MYSQL类似，使用TRUNCATE语句。

　　　　　　TRUNCATE  TABLE my_table;

　　　　1.4、插入表

　　　　　　1、向表中加载数据

　　　　　　LOAD DATA  [LOCAL] INPATH  'filepath'  [OVERWRITE]  INFO  TABLE  tablename [PARTITION(partcol1 = val1,  partcol2 = val2, . . .)]

　　　　　　Load操作只是单纯的复制/移动操作，将数据 文件移动到Hive表对应的位置，filepath可以是相对路径，例如project/data1,  也可以是绝对路径，例如：/user/hive/project/data1, 或是包含模式的完整URI，例如：

　　　　　　hdfs://namenode:9000/user/hive/project/data1。

　　　　　　相对路径实例如下：

　　　　　　hive> LOAD DATA  LOCAL  INPATH  './examples/files/kv1.txt'  OVERWRITE  INTO  TABLE gripe;

 

　　　　　　2、将查询结果插入Hive表

　　　　　　将查询结果写入HDFS文件系统。

　　　　　　　　a、基本模式：

　　　　　　　　INSERT OVERWRITE TABLE  tablename1  [PARTITION  (partcol1 = val1, partcol2 = val2, . .  .)]

　　　　　　　　select_statements FROM from_statement

　　　　　　　　b、多插入模式：

　　　　　　　　INSERT OVERWRITE TABLE  tablename1

　　　　　　　　[PARTITION (partcol1 = val1, partcol2 = val2, . . . )]

　　　　　　　　select_statement1

　　　　　　　　[ INSERT OVERWRITE TABLE  tablename2 [PARTITION . . . ]  select_statement2] . . . 

　　　　　　　　c、自动分区模式：

　　　　　　　　INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] . . . )

　　　　　　　　select_statement From from_statement

 

　　2、Hive 表 DML

　　　　1、基本的select操作

　　　　Hive中的select操作的语法如下：

　　　　SELECT  [ALL | DISTINCT]  select_expr, select_expr, . . .

　　　　FROM table_reference

　　　　[WHERE  where_condition]

　　　　[GROUP  BY  col_list [ HAVING condition] ]

　　　　[CLUSTER BY col_list  | [DISTRIBUTE  BY  col_list]  [SORT BY | ORDER BY col_list] ]

　　　　[LIMIT number]

　　　　ALL和DISTINCT：选项区分对重复记录的处理。默认是ALL，表示查询所有记录。DISTINCT表示去掉重复记录。

　　　　WHERE条件：类似于传统的SQL的where条件，支持 AND 、OR、BETWEEN、IN、NOT IN等。

　　　　ORDER BY与SORT BY的不同：ORDER BY指全局排序，只有一个Reduce任务，而SORT BY只在本机做排序。

　　　　LIMIT：可以限制查询的记录条数，例如：SELECT *  FROM t1  LIMIT  5, 也可以实现Top k查询，比如下面的查询语句可以查询销售记录最多的5个销售代表：

　　　　　　　　SET mapred.reduce.tasks = 1

　　　　　　　　SELECT *  FROM test SORT BY amount DESC LIMIT 5

　　　　REGEX Column Specification：select 语句可以使用正则表达式做列选择，下面的语句查询除了ds和hr之外的所有列

　　　　SELECT '(ds|hr)?+.+'  FROM  test

　　　　

　　　　2、join表

　　　　Hive中join表的语言如下：

　　　　　　join_table：

　　　　　　　　table_reference [INNER] JOIN  table_factor  [join_condition]

　　　　　　　　|  table_reference {LEFT|RIGHT|FULL}  [OUTER]  JOIN  table_reference  join_condition

　　　　　　　　| table_reference LEFT  SEMI JOIN table_reference join_condition

　　　　　　　　|table_reference  CROSS JOIN  table_reference [join_condition]  (as of Hive 0.10)

 

　　　　　　table_reference：

　　　　　　　　table_factor

　　　　　　　　| join_table

 

　　　　　　table_factor：

　　　　　　　　tbl_name [alias]

　　　　　　　　| table_subquery alias

　　　　　　　　| (table_references)

 

　　　　　　join_confition：

　　　　　　　　On expression

　　　　对Hive中表Join操作的说明以及注意事项如下：

　　　　1、Hive只支持等值连接、外连接和左半连接（left semi join）,Hive 不支持所有的非等值连接，因为非等值连接很难转化到map/reduce任务（从2.2.0版本后开始支持非等值连接）。

　　　　2、可以连接2个以上的表，例如：

　　　　　　SELECT a.val,  b.val,  c.val  FROM a  JOIN  b on  (a.key = b.key1)  JOIN  c  on (c.key = b .key2)

　　　　3、如果连接中多个表的join key是同一个，则连接会转化为单个Map/Reduce任务，例如：

　　　　　　SELECT a.val,  b.val,  c.val  FROM a  JOIN  b on  (a.key = b.key1)  JOIN  c  on (c.key = b .key1)

　　　　4、join时大表放在最后。这是因为每次Map/Reduce任务的逻辑是这样的：Reduce会缓存join序列中除最后一个表之外的所有表的记录，再通过最后一个表将将结果序列化文件系统，因此在实践中，应该把最大的那个表写在最后。

　　　　5、如果想限制join的输出，应该在where子句中写过滤条件，或是在join子句中写，但是表分区的情况很容易混淆，比如下面的第一个SQL语句所示，如果d表中找不到对应c表的记录，d表的所有列都会列出NULL,包括ds列，

　　　　　　也就是说，join会过滤d表中不能找到 c表join key 的所有记录。这样，LEFT OUTER 就使得查询结果与WHERE子句无关，解决办法是在join时指定分区（如下面的第二个SQL语句）。

　　　　　　//第一个SQL语句

　　　　　　SELECT c.val, d.val  FROM  c  LEFT  OUTER  JOIN d  ON (c.key = d.key) where c.ds = '2010-08-08'  AND d.ds ='2010-08-08'

　　　　　　

　　　　　　//第一个SQL语句

　　　　　　SELECT c.val, d.val  FROM  c  LEFT  OUTER  JOIN d  ON (c.key = d.key AND c.ds = '2010-08-08'  AND d.ds ='2010-08-08')

　　　　6、LEFT SEMI JOIN是IN/EXISTS子查询的一种更高效的实现。其限制是：JOIN子句中右边的表只能在On子句中设置过滤条件，在WHERE子句、SELECT子句、或其他地方过滤都不行。

　　　　　　SELECT a.key,  a.value  FROM  a  WHERE  a.key  in (SELECT b.key  FROM  b);

　　　　　　可以被重写为：SELECT a.key,  a.value  FROM a  LEFT SEMI  JOIN  b on (a.key = b.key)

　　　　　

　　　　参考资料：《离线和实时大数据开发实战》