hive系统学习笔记

目录

基本概念

   解析器

 交互方式

 基本操作

创建库表

 数据导入

数据的导出

常用sql函数

hive数据压缩，

常用语法 操作

分区和分桶

数据存储格式

建立表与文件的关联方式

---

数据结构
   结构化的数据：字段个数一定，字段之间的分隔符一定
  半结构化的数据：例如xml，json等
  非结构化的数据：没有任何规律格式的数据

基本概念

本质：将sql装换成MapReduce任务进行运算，可以理解为hive就是一个MapReduce的客户端

特点 

• 可扩展：Hive可以自由的扩展集群的规模，一般情况下不需要重启服务
• 延展性：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。
• 容错：良好的容错性，节点出现问题SQL仍可完成执行

支持的数据类型

• 整型
  • TINYINT (1字节整数) 
  • SMALLINT (2字节整数) 
  • INT/INTEGER (4字节整数) 
  • BIGINT (8字节整数)
• 浮点型
  • FLOAT (4字节浮点数) 
  • DOUBLE (8字节双精度浮点数)
• 字符串类型
  • string（不设定长度）
  • VARCHAR (字符串1-65355长度，超长截断)
  • CHAR (字符串，最大长度255)
•  时间类型
  • TIMESTAMP (时间戳) (包含年月日时分秒的一种封装)
  • DATE (日期)（只包含年月日）
• BOOLEAN（布尔类型）：true false
• BINARY (二进制)
• 复合类型
  • array数组类型 字段类型必须相同 ARRAY
  • Maps：和Java中的Map相同，即存储K-V对的，键的类型必须是原子的，值可以是任意类型，同一键映射的值得类型必须相同
  • Structs：一组由任意数据类型组成的结构：一组命名的字段，字段类型可以不同

   解析器

            编译器：主要将我们的sql语句进行编译成一个MR的任务
            优化器：主要是对我们的sql语句进行优化
            执行器：提交mr的任务，进行执行
       
  元数据库
            hive的元数据  表与hdfs数据之间的映射关系 默认使用的是derby，一般都会改成mysql存储

 交互方式

• bin/hive 启动进入,默认在使用derby存储元数据，在存储在启动目录下
• 启动服务端hiveserver2需要hive整合mysql整合，将元数据存储在mysql
  • bin/hive --service hiveserver2
  • beeline> !connect jdbc:hive2://node03.hadoop.com:10000 
  • hive整合mysql整合
    • 修改hive-site.xml添加mysql数据库
    •  bin/hive --service metastore 启动hive的metastore 才能访问
• hive -e直接执行sql
  • bin/hive -e "use myhive;select * from test;"
  • bin/hive -f hive.sql   通过 -f  指定我们需要执行的sql脚本文件

 基本操作

创建库表

• 创建库
  •  create database id not exists xxx;
• 创建表：建表的存储位置在默认位置（默认位置在配置文件中）。可以指定hdfs的位置
  •  create table if not exists stu2(id int,name String) row format delimited fields terminated by '\t' stored as textfile location '/user/test';创建stu2表存储为文本格式，在hdfs上的/user/test/目录下面

  •  create [external] table if not exists table_name(col_name data_type [comment col_])
                        external指名是外部表，当表删除时不会删除hdfs上的文件
                        comment table_comment 表的描述 只能用英文或拼音
                        row format delimited fields terminated by "\001" 指定字段之间的分隔符
                        partitioned by (col_name data_type[comment col_colment],...) 分区：hive的分区对应hdfs是分文件夹
                        分桶： clustered by （col_name,...）分桶： 按照字段进行划分文件，粒度更细
                        LIKE 允许用户复制现有的表结构，但是不复制数据
                        stored as SEQUENCEFILE|TEXTFILE|RCFILE  指定数据存储的格式
                        LOCATION hdfs_path 指定我们这个表在hdfs的哪一个位置
                        sorted by (col_name asc|desc,...) 

     

  •  as 创建：将视图表的内容和表结构复制都过来create table stu3 as select * from stu2; 
  •  like中赋值表结构，没有内容：create table stu4 like stu2; 

 数据导入

• hdfs 文件系统加载数据
  • 加载表load data inpath 'hivedatas/techer.csv' into table teacher;
  • 加载指定分区：locad data inpath '/export/servers/xx.txt' into table score partition (month='201803')
• 本地导入
  • 加载到表：  load data local inpath '/export/servers/hivedatas/students.csv' into table student
  • 加载到分区： locad data local  inpath '/export/servers/xx.txt' into table score partition (month='201803')
• insert插入数据
  • insert into table score3 partition(month ='201807') values ('001','002','100');
  • 注意：  每执行一次insert 生成一个小文件，

数据的导出

• export导出与import 导入 hive表数据
  •  export table techer to  '/export/techer';
  • import table techer2 from '/export/techer';
• 将查询结果数据导出到本地：
  • insert overwrite local directory '/export/xxx' select * from score;
• 将查询结果数据导出到hdfs
  • insert overwrite directory '/export/xxx' select * from score;
• 数据导出到并指定格式分隔符
  •  insert overwrite directory '/export/xxx' row format delimited fields terminated by '\t' select * from score;
• hive的外部表指定hdfs文件，可以hdfs命令直接把赋值到本地
  • hdfs dfs -get /dfsfile   /localname 

常用sql函数

• 内置函数
  • 查看自带函数 show functions
  • 显示指定函数用法 desc dunction 函数名
  • 详细显示函数用法 desc function extended 函数名
• 自定义函数
  • 种类：按照参数输入输出的数量分为三种
    • udf 一进一出
    • UDAF 多进一出
    • UDTF 一进多出
  • 用法，
    • 要继承UDF，重写evaluate方法 ，打成jar包上传到lib目录下
      • evaluate方法支持重载，udf必须有返回类型，可以为null不能void，类型推荐Text/LongWritable等类型
    • 添加jar包，命令add jar /export/servers/hive-1.1.0-cdh5.14.0/lib/XXX.jar
    • 创建函数名与自定义函数的关联 create funname function tolowercase as 'cn.itcast.udf.ItcastUDF'
    • 用法和其他函数相同使用和 select funname ('abc');

编程 将参数转为大写字母
 1.继承org.apache.hadoop.hive.ql.UDF
   public class ItcastUDF extends UDF {
    public Text evaluate(final Text s) {
        if (null == s) {
            return null;
        }
        //返回大写字母
        return new Text(s.toString().toUpperCase());
    }
}

 

 

hive数据压缩，

hadoop一样，推荐snappy

• hadoop开启压缩mapred-site.xml
  • map输出压缩
    • 开启hive中间传输数据压缩： set hive.exec.compress.intermediate=true;
    • map输出压缩：set mapreduce.map.output.compress=true;
    • map输出数据的压缩方式：set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
  • reduce输出的数据进行压缩
    • 开启hive最终输出数据压缩：set hive.exec.compress.output=true;
    • 开启mapreduce最终输出数据： set mapreduce.output.fileoutputformat.compress=true;
    • 设置mapreduce最终输出压缩方式：set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
    • 设置mapreduce最终数据输出压缩为块压缩：set mapreduce.output.fileoutputformat.compress.type=BLOCK;

常用语法 操作

• 排序
  • 全局排序order by  ：只有一个reducer， desc降序 asc升序（默认） 
  • 内部排序sort by ：在数据进入reducer前完成排序当，当mapred.reduce.tasks>1全局无序
  • 分区排序distribute by：distribute by (字段) 根据指定的字段将数据分到不同的reducer,分发算法是hash散列,和sort by 结合使用
  • 分桶排序cluster by ：如果分区字段和sort by 字段相同，cluster by  字段 = distribute by (字段)+sort by 字段，但只能是倒叙排列
• like 和 relike
  • relike基于java的正则表达式接口实现，模糊查询功能更强大，例如成绩中含9的所有成绩数据
    • select * from score where s_score rlike '[9]';
  • like 模糊查询，下划线_匹配一个字符，%可以匹配任意多个字符例如 第二个数值为9的所有成绩数据
    • select * from score where s_score like '_9%';
• haveing和where：区别：where 对表的列发挥作用，条件是表的列，having针对查询结果中的列
  • where作用在 分组（group by）和聚集（sum等）计算之前，
  • having作用在 分组（group by）之后，对分组后计算的数据进行过滤
    • 例：select s_id ,avg(s_score) avgscore from score group by s_id having avgscore > 85;
• join 关联：语法同mysql相同
  • 对表关联执行顺序：hive一般为每一个join创建一个job，执行顺序是从左到右，但是如果多个表join的条件相同，之创建一个job， 多表进行join时，一般要把大表放到最后面，提上效率
    • 例如select * from techer t  left join course c  on t.t_id = c.t_id left join score s on s.c_id = c.c_id left join student stu  on s.s_id = stu.s_id;
• 左半关联 left semi join ：效果和inner join 差不多，但是效率会高很多，但不会展示右表的数据
  • left semi join 的限制是， 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 子句都不能引用右表的字段
  • 查询结果只会出现左表的数据，

分区和分桶

• 分区：对于hdfs是一个子文件夹，对于表是一个字段和值
  • show partitions score;查看分区
  • 添加分区：alter table score add partition(month='201804' partition(month ='201803'))
  •  删除分区：alter table score drop partition(month = '201806');
• 分桶：
  • 分桶的实质就是对分桶的字段做了hash 然后存放到对应文件中；
  • 开启hive的桶表功能 set hive.enforce.bucketing=true;
  • 语法 关键字：clustered  by  (col_name) into  xx  buckets
  • 创建分桶表
    • create table course(c_id string,c_name string ,t_id String) clustered by (c_id) into 3 buckeds row format delimited fields terminated by '\t'
  • 加载数据只能通过查询中间表结果集的方式加载
    • select overwrite  table course select * from score cluster by (c_id);

数据存储格式

压缩方式  snappy

• 行式存储：
  • textFile（默认）
  • sequenceFile
• 列示存储
  • ORC
    • 组成是Stripe 每个stage包含三部分
      •  indexData：索引数据
      • rowdata：真正的数据
      • stripFooter：元数据信息
  • parquet
• 存储空间占用大小比较orc
• 查询语句运行时间大小比较：orc

建立表与文件的关联方式

方式一：新建分区表指定关联的hdfs文件，msck repair table score 

• 数据准备 hdfs dfs -mkdir -p /scoredatas/month=201806      
• hdfs dfs -put score.csv /scoredatas/month=201806/
• 创建外部分区表指定存放目录
   create external table ecore4(s_id String,c_id string,s_score int) partitioned by month string) row format delimited fields terminated by '\t' localtion '/scoredatas'
• 修复表： msck repair table score 

方式二：创建完表后手动执行添加分区，前提是hdfs文件就是按照分区的方式存放的