一名小码农
一名小码农

Hive详解——基本操作归纳

文章目录

  • 一、Hive基本概念
    • 1. 什么是 Hive
      • 1）hive 简介
      • 2）Hive 本质:将 HQL 转化成 MapReduce 程序
    • 2. Hive 的优缺点
      • 1）优点
      • 2）缺点
    • 3. Hive 架构原理
    • 4. Hive 和数据库比较
      • 1）查询语言
      • 2）数据更新
      • 3）执行延迟
      • 4）数据规模
  • 二、Hive安装
    • 1. Hive 安装地址
    • 2. 安装MySQL
    • 3. Hive 安装部署
    • 4. Hive 元数据配置到 MySQL
    • 5. 启动并使用 Hive
      • 1）启动 Hive
      • 2）使用 Hive
      • 3）Hadoop中查看文件
    • 6. 使用元数据服务的方式访问 Hive
    • 7. 使用 JDBC 方式访问 Hive
    • 8. Hive 常用命令
      • 1）常用交互命令
      • 2）其他命令
    • 9. Hive 常见属性配置
      • 1）Hive 运行日志信息配置
      • 2）打印 当前库 和 表头
      • 3）参数配置方式
        • a. 查看当前所有的配置信息
        • b. 参数的配置三种方式（优先级从高到低）
  • 三、Hive数据类型
    • 1. 基本数据类型
    • 2. 集合数据类型
    • 3. 类型转化
  • 四、DDL数据定义
    • 1. 创建数据库
    • 2. 查询数据库
      • 1）显示数据库
      • 2）查看数据库详情
      • 3）切换当前数据库
    • 3. 修改数据库
    • 4. 删除数据库
    • 5. 创建表
      • 1）建表语法
      • 2）管理表（内部表）与外部表
      • 3）管理表与外部表的互相转换
    • 6. 修改表
      • 1）重命名表
      • 2）更新列
      • 3）增加和替换列
      • 4）删除表
  • 五、DML数据操作
    • 1. 装载数据（Load）
    • 2. 插入数据（Insert）
    • 3. 创建表时加载数据（As Select、Location）
    • 4. 导出数据
    • 5. Import / Export 导入导出
    • 6. 清空表（Truncate）
  • 六、查询
    • 1. 列别名
    • 2. 算术运算符
    • 3. 常用函数
    • 4. Limit 语句
    • 5. Where 语句
    • 6. 比较运算符（Between/In/ Is Null）
    • 7. Like 和 RLike
    • 8. 逻辑运算符（And/Or/Not）
    • 9. 分组
      • 1）Group By 语句
      • 2）Having 语句
      • 3）GROUPING SETS
    • 10. Join 语句
      • 1）常用JOIN
      • 2）笛卡尔积
    • 11. 排序
      • 1）全局排序（Order By）
      • 2）每个 Reduce 内部排序（Sort By）
      • 3）分区（Distribute By）
      • 4）Cluster By
  • 七、分区表和分桶表
    • 1. 分区表
      • 1）基本操作
    • 2. 二级分区
      • 1）基本操作
      • 2）数据直接上传到分区目录，如何让分区表和数据产生关联
    • 3. 动态分区调整
      • 1）常用配置
      • 2）案例
    • 4. 分桶表
      • 1）案例
      • 2）注意事项
      • 3）抽样查询
  • 八、函数
    • 1. 系统内置函数
    • 2. 常用内置函数
      • 1）常用日期函数
      • 2）常用取整函数
      • 3）常用字符串操作函数
      • 4）集合操作
      • 5）空字段赋默认值 NVL
      • 6）多维分析 grouping_set
      • 7）拼接字符串或列 CONCAT
      • 8）COLLECT_SET/COLLECT_LIST
    • 3. CASE WHEN THEN ELSE END
    • 4. 行转列
    • 5. 列转行
      • 1）函数说明
      • 2）案例
    • 6. 窗口函数（开窗函数）
      • 1）相关函数说明
      • 2）数据准备
      • 3）案例
    • 7. Rank 排名
    • 8. 自定义函数
      • 1）自定义 UDF 函数
      • 2）自定义 UDTF 函数

一、Hive基本概念

1. 什么是 Hive

1）hive 简介

Hive：由 Facebook 开源用于解决海量结构化日志的数据统计工具。

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。

2）Hive 本质:将 HQL 转化成 MapReduce 程序

Hive详解——基本操作归纳_第1张图片

  1. Hive 处理的数据存储在 HDF
  2. Hive 分析数据底层的实现是 MapReduce
  3. 执行程序运行在 Yarn 上

2. Hive 的优缺点

1）优点

  1. 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）。
  2. 避免了去写 MapReduce，减少开发人员的学习成本。
  3. 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。
  4. 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。
  5. 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。

2）缺点

  1. Hive 的 HQL 表达能力有限

    1. 迭代式算法无法表达
    2. 数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。

  2. Hive 的效率比较低

    1. Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
    2. Hive 调优比较困难，粒度较粗

3. Hive 架构原理

Hive详解——基本操作归纳_第2张图片

  1. 用户接口：Client

    CLI(command-line interface)、JDBC/ODBC(jdbc 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

    1. 解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第三方工具库完成，比如 antlr；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。
    2. 编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
    3. 优化器（Query Optimizer）：对逻辑执行计划进行优化。
    4. 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详解——基本操作归纳_第3张图片

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。

4. Hive 和数据库比较

由于 Hive 采用了类似 SQL 的查询语言 HQL（Hive Query Language），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。 本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1）查询语言

由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

2）数据更新

由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，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，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修 改数据。

3）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。

4）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。

二、Hive安装

1. Hive 安装地址

  • Hive 官网地址：http://hive.apache.org/
  • 文档查看地址：https://cwiki.apache.org/confluence/display/Hive/GettingStarted
  • 下载地址：http://archive.apache.org/dist/hive/
  • github 地址：https://github.com/apache/hive

2. 安装MySQL

下载地址：https://dev.mysql.com/downloads/mysql/

Hive详解——基本操作归纳_第4张图片

  1. 检查是否安装了mariadb

    yum list installed | grep mariadb

    若linux中安装了mariadb数据库，先卸载掉，mariadb数据库可能与安装mysql发生冲突：
    在这里插入图片描述

    # 卸载 mariadb
yum -y remove mariadb-libs.x86_64

  2. 将安装包上传到服务器，解压并重命名 MySQL

    tar -zxvf mysql-5.7.36-linux-glibc2.12-x86_64.tar.gz -C /usr/local/
cd /usr/local/
mv mysql-5.7.36-linux-glibc2.12-x86_64/ mysql-5.7.36

  3. 创建 data 文件夹及 mysql 用户

    cd /usr/local/mysql-5.7.36/
mkdir data

useradd  mysql

  4. 初始化MySQL

    cd /usr/local/mysql-5.7.36/
bin/mysqld --initialize --user=mysql --datadir=/usr/local/mysql-5.7.36/data/ --basedir=/usr/local/mysql-5.7.36/

    该命令执行后，会生成一个临时的 mysql 数据库 root 用户的密码，请先拷贝出来记住，后续第一次登录mysql需要使用
    Hive详解——基本操作归纳_第5张图片

  5. 启动MySQL

    bin/mysqld_safe &

  6. 登录MySQL并修改密码

    # 登录，-u 指定用户名 -p 指定密码
bin/mysql -uroot -p

# 修改mysql的root用户的密码，命令语法：alter user '用户名'@'主机域名或ip' identified by '新密码'
alter user 'root'@'localhost' identified by '123';

  7. 授权远程访问并刷新权限

    grant all privileges on *.* to root@'%' identified by '123';
flush  privileges;

3. Hive 安装部署

安装 Hive（3.1.2），日志默认记录位置：/tmp/用户名/hive.log

  1. 下载：http://archive.apache.org/dist/hive/hive-3.1.2/

  2. 把 apache-hive-3.1.2-bin.tar.gz 上传到 linux ，然后解压 apache-hive-3.1.2-bin.tar.gz 到 /usr/local 目录下面

    tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /usr/local/

  3. 修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive-3.1.2

    cd /usr/local/
mv apache-hive-3.1.2-bin/ hive-3.1.2

  4. 修改 /etc/profile.d/my_env.sh，添加环境变量

    $ sudo vim /etc/profile.d/my_env.sh

#HIVE_HOME
export HIVE_HOME="/usr/local/hive-3.1.2"
export PATH="$PATH:$HIVE_HOME/bin"

  5. 解决日志 Jar 包冲突

    $ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

4. Hive 元数据配置到 MySQL

Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与 其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。

  1. 下载驱动
    下载地址：https://mvnrepository.com/artifact/mysql/mysql-connector-java/5.1.49

    Hive详解——基本操作归纳_第6张图片

  2. 拷贝驱动：将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

  3. 配置 Metastore 到 MySQL ：在 $HIVE_HOME/conf 目录下新建 hive-site.xml 文件

    $ vim $HIVE_HOME/conf/hive-site.xml

    添加如下内容，其中 Mysql 连接信息需要修改

    

<configuration>
	 
	<property>
		<name>javax.jdo.option.ConnectionURLname>
		<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=falsevalue> 
	property>
	 
	<property>
		<name>javax.jdo.option.ConnectionDriverNamename>
		<value>com.mysql.jdbc.Drivervalue> 
	property>
	 
	<property>
		<name>javax.jdo.option.ConnectionUserNamename>
		<value>rootvalue>
	property>
	 
	<property>
		<name>javax.jdo.option.ConnectionPasswordname>
		<value>123value>
	property>
	 
	<property>
		<name>hive.metastore.schema.verificationname>
		<value>falsevalue>
	property>
	 
	<property>
		<name>hive.metastore.event.db.notification.api.authname>
		<value>falsevalue>
	property>
	 
	<property>
		<name>hive.metastore.warehouse.dirname>
		<value>/user/hive/warehousevalue>
	property>
configuration>

  4. 登录 Mysql ，创建上一步配置的数据库

    $ mysql -uroot -p123
mysql> create database metastore
mysql> quit;

  5. 初始化 Hive 元数据库

    schematool -initSchema -dbType mysql -verbose

Mysql 中只是存储的元数据（记录表的位置），

5. 启动并使用 Hive

1）启动 Hive

$ hive

日志默认记录位置：/tmp/用户名/hive.log

2）使用 Hive

hive> show databases;
hive> show tables;
hive> create table test(id string);
hive> insert into test values("张三");
hive> select * from test;

3）Hadoop中查看文件

可以看到，刚使用 Hive 插入的数据，存储到了 Hadoop 中。
Hive详解——基本操作归纳_第7张图片

注意：Mysql 中只存储元数据，而真正的数据存储在 Hadoop 中，而在 Hive 中创建表，只是在 Mysql 中创建元数据，此时如果手动通过 HDFS 上传文件（文件名为表名），也可以在 Hive 中查询到。换句话说，Hive 要能查到数据，元数据和真实数据都必须存在。

如下是 Hive 存储在 Mysql 中的两张表：

  • 表 DBS，记录了数据库信息：
    在这里插入图片描述
  • 表 TBLS，记录了表信息：
    在这里插入图片描述

6. 使用元数据服务的方式访问 Hive

  1. 在 hive-site.xml 文件中添加如下配置信息

    	 
	<property>
		<name>hive.metastore.urisname>
		<value>thrift://hadoop102:9083value>
	property>

  2. 启动 metastore

    # 前台启动
$ hive --service metastore
2021-11-23 16:06:10: Starting Hive Metastore Server

# 后台启动
$ nohup hive --service metastore 2>&1 &

    注意：启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作

  3. 打开新窗口，启动 hive

    $ hive

7. 使用 JDBC 方式访问 Hive

  1. 在 hive-site.xml 文件中添加如下配置信息
	 
	<property>
		<name>hive.server2.thrift.bind.hostname>
		<value>hadoop102value>
	property>
	 
	<property>
		<name>hive.server2.thrift.portname>
		<value>10000value>
	property>

  1. 启动 hiveserver2（需要多等待一会）

    # 前台启动
hive --service hiveserver2

# 后台启动
nohup hive --service hiveserver2 2>&1 &

    启动时，可以查看 /tmp/用户名/hive.log 中的日志，程序首先会查找 Tez 配置，并会报错：
    在这里插入图片描述
    这时候不用管这个报错，在等待 60s 后，程序便可以正常启动成功

  2. 另一个窗口，启动 beeline 客户端

    beeline -u jdbc:hive2://hadoop102:10000 -n root
    • 报错：
      在这里插入图片描述
    • 解决方法：
      打开 hadoop 的 core-site.xml 文件，在其中添加如下配置（其中 root 换成对应的用户名）：
      
<property>
  	<name>hadoop.proxyuser.root.hostsname>
  	<value>*value>
property>
<property>
  	<name>hadoop.proxyuser.root.groupsname>
  	<value>*value>
property>
      修改完成后重启 hadoop

  3. 启动成功

    Hive详解——基本操作归纳_第8张图片

编写脚本来管理服务的启动和关闭：https://gitee.com/xinboss/bigdata/blob/master/Hive/sh/hiveservices.sh

8. Hive 常用命令

1）常用交互命令

$ hive -help
usage: hive
 -d,--define <key=value>          Variable substitution to apply to Hive
                                  commands. e.g. -d A=B or --define A=B
    --database <databasename>     Specify the database to use
 -e <quoted-query-string>         SQL from command line
 -f <filename>                    SQL from files
 -H,--help                        Print help information
    --hiveconf <property=value>   Use value for given property
    --hivevar <key=value>         Variable substitution to apply to Hive
                                  commands. e.g. --hivevar A=B
 -i <filename>                    Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the
                                  console)

  1. -e：不进入 hive 的交互窗口执行 sql 语句

    $ hive -e "select id from student;"

  2. -f 执行脚本中 sql 语句

    echo "select * from test;" > test.sql
cat test.sql
hive -f test.sql

2）其他命令

  1. 在 hive cli 命令窗口中如何查看 hdfs 文件系统

    hive> dfs -ls /;

  2. 查看在 hive 中输入的所有历史命令

    # 历史命令存放在当前用户家目录的 .hivehistory 文件中
cat ~/.hivehistory

9. Hive 常见属性配置

1）Hive 运行日志信息配置

  1. Hive 的 log 默认存放在 /tmp/atguigu/hive.log 目录下(当前用户名下)

  2. 修改 hive 的 log 存放日志到 /usr/local/hive-3.1.2/logs

    cd $HIVE_HOME/conf
cp hive-log4j2.properties.template hive-log4j2.properties
vim hive-log4j2.properties
	# 修改配置
	property.hive.log.dir = /usr/local/hive-3.1.2/logs

2）打印 当前库 和 表头

在 hive-site.xml 中加入如下两个配置:

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

3）参数配置方式

a. 查看当前所有的配置信息

默认的配置信息存放在 conf/hive-default.xml.template 中，也可以在 hive cli 中使用 set 查看所有参数：

hive (default)> set;

b. 参数的配置三种方式（优先级从高到低）

  1. 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。

  2. 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。注意：仅对本次 hive 启动有效

    $ hive -hiveconf mapred.reduce.tasks=10;

# 查看参数
hive (default)> set mapred.reduce.tasks;

  3. SET 声明参数
    可以在 HQL 中使用 SET 关键字设定参数，注意：仅对本次 hive 启动有效

    hive (default)> set mapred.reduce.tasks=100;

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 < SET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。

三、Hive数据类型

1. 基本数据类型

Hive 数据类型 Java 数据类型 长度
TINYINT byte 1byte 有符号整数
SMALINT short 2byte 有符号整数
INT int 4byte 有符号整数
BIGINT long 8byte 有符号整数
BOOLEAN boolean 布尔类型，true 或者 false
FLOAT float 单精度浮点数
DOUBLE double 双精度浮点数
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。
TIMESTAMP 时间类型
BINARY 字节数组

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该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。

2. 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 “.” 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()
例如 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()
例如 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()
例如 array

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

案例：

  1. 假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格式为
{
	"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"
		}
}

  1. 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

    songsong,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 “_”。

  2. Hive 上创建测试表 test

    create table test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
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

  3. 导入文本数据到测试表

    load data local inpath '/root/tmp/test.txt' into table test;

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

    hive (default)> select * from test;
test.name	test.friends		test.children						test.address
songsong	["bingbing","lili"]	{"xiao song":18,"xiaoxiao song":19}	{"street":"hui long guan","city":"beijing"}
yangyang	["caicai","susu"]	{"xiao yang":18,"xiaoxiao yang":19}	{"street":"chao yang","city":"beijing"}

hive (default)> select friends[1], children['xiao song'], address.city from test;
_c0		_c1		city
lili	18		beijing
susu	NULL	beijing

3. 类型转化

Hive 的原子数据类型是可以进行隐式转换的，类似于 Java 的类型转换，例如某表达式使用 INT 类型，TINYINT 会自动转换为 INT 类型，但是 Hive 不会进行反向转化，例如，某表达式使用 TINYINT 类型，INT 不会自动转换为 TINYINT 类型，它会返回错误，除非使用 CAST 操作。

  1. 隐式类型转换规则如下：

    1. 任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成 INT，INT 可以转换成 BIGINT。
    2. 所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成 DOUBLE。
    3. TINYINT、SMALLINT、INT 都可以转换为 FLOAT。
    4. BOOLEAN 类型不可以转换为任何其它的类型

  2. 使用 CAST 操作显示进行数据类型转换

    例如： CAST('1' AS INT) 将把字符串 ‘1’ 转换成整数 1；如果强制类型转换失败，如执行 CAST('X' AS INT)，表达式返回空值 NULL。

    hive (default)> select '1'+2, cast('1'as int) + 2;
_c0		_c1
3.0		3

四、DDL数据定义

1. 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];

例子：

# 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';

2. 查询数据库

1）显示数据库

  1. 显示数据库

    show databases;

  2. 过滤显示查询的数据库

    show databases like 'db_hive*';

2）查看数据库详情

  1. 显示数据库信息

    desc database db_hive;

  2. 显示数据库详细信息，extended

    desc database extended db_hive;

3）切换当前数据库

use db_hive;

3. 修改数据库

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。

hive (default)> alter database db_hive set dbproperties('createtime'='20211125');

# 查看修改结果
hive (default)> desc database extended db_hive;
db_name	comment	location	owner_name	owner_type	parameters
db_hive		hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db	root	USER	{createtime=20211125}

4. 删除数据库

删除数据库时，hdfs 目录和 mysql 元数据都会删除

# 删除空数据库
drop database db_hive2;

# 采用 if exists 判断数据库是否存在
drop database if exists db_hive2;

# 数据库不为空，可以采用 cascade 命令，强制删除
drop database db_hive cascade;

5. 创建表

创建表时，也就是在 hdfs 中创建了一个目录，目录下的所有文件中的数据都属于这个表，都可以通过这个表查询出来。这些文件中数据的数据分隔符必须遵循相同的规则，才能被 hive 顺利读取

1）建表语法

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
[(col_name data_type [COMMENT 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], ...)] INTO num_buckets BUCKETS] 
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)] 
[AS select_statement]

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

  • EXTERNAL：关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实际数据的路径（LOCATION），在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。

  • COMMENT：为表和列添加注释。

  • PARTITIONED BY：创建分区表

  • CLUSTERED BY：创建分桶表

  • SORTED BY：不常用，对桶中的一个或多个列另外排序

  • ROW FORMAT：

    ROW FORMAT DELIMITED [FIELDS TERMINATED BY char] 
[COLLECTION ITEMS TERMINATED BY char] 
[MAP KEYS TERMINATED BY char] 
[LINES TERMINATED BY char]
或者
ROW FORMAT SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

    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 ROW FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用户还需要为表指定列，用户在指定表的列的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 Serialize/Deserilize 的简称， hive 使用 Serde 进行行对象的序列与反序列化。

  • STORED AS：指定存储文件类型，常用的存储文件类型：SEQUENCEFILE(二进制序列文件)、TEXTFILE(文本)、RCFILE(列式存储格式文件)，如果文件数据是纯文本，可以使用 STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCEFILE。

  • LOCATION：指定表在 HDFS 上的存储位置。

  • AS：后跟查询语句，根据查询结果创建表。

  • LIKE：允许用户复制现有的表结构，但是不复制数据。

2）管理表（内部表）与外部表

  • 管理表：默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive 会（或多或少地）控制着数据的生命周期。Hive 默认情况下会将这些表的数据存储在由配置项 hive.metastore.warehouse.dir（默认 /user/hive/warehouse）所定义的目录的子目录下。 当我们删除一个管理表时，Hive 也会删除这个表中数据。管理表不适合和其他工具共享数据。
  • 外部表：因为表是外部表，所以 Hive 并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。

使用场景：
每天将收集到的网站日志定期流入 HDFS 文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过 SELECT+INSERT 进入

查看表类型：

hive (default)> desc formatted test;
Table Type:         	MANAGED_TABLE

3）管理表与外部表的互相转换

# 修改内部表 test 为外部表
alter table test set tblproperties('EXTERNAL'='TRUE');

# 修改外部表 test 为内部表
alter table test set tblproperties('EXTERNAL'='FALSE');

注意：('EXTERNAL'='TRUE') 和 ('EXTERNAL'='FALSE') 为固定写法，区分大小写

6. 修改表

1）重命名表

ALTER TABLE table_name RENAME TO new_table_name

2）更新列

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name
column_type [COMMENT col_comment] [FIRST|AFTER column_name]

3）增加和替换列

修改只是修改元数据信息，hdfs 中存储的数据不会被修改

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
  • ADD：是代表新增一字段，字段位置在所有列后面（partition 列前），
  • REPLACE：则是表示替换表中所有字段。

4）删除表

内部表中数据和元数据都会被删除，外部表只有元数据会被删除

drop table dept;

五、DML数据操作

1. 装载数据（Load）

load data [local] inpath '数据的 path' [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
// 从本地加载数据到 hdfs，相当于 -put 操作
load data local inpath '/opt/module/hive/datas/student.txt' into table default.student;

// 将 hdfs 目录下的文件移动到 student 表所在的目录，相当于 -mv 操作
load data inpath '/student.txt' into table default.student;

2. 插入数据（Insert）

  • insert into：以追加数据的方式插入到表或分区，原有数据不会删除
  • insert overwrite：会覆盖表中已存在的数据

注意：insert 不支持插入部分字段

# 基本插入
insert into table student_par values(1, "zhangsan"),(2, "lisi");

# 根据单张表查询结果进行插入
insert overwrite table student_par 
select id, name from student where month='201709';

# 多表(多分区)插入模式(根据多张表查询结果)
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';

3. 创建表时加载数据（As Select、Location）

# 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;

# 先将数据上传到相应目录，创建表时通过 Location 来指定路径
hive> dfs -put /opt/module/datas/student.txt /student;
hive> create external table if not exists student5(id int, name string)
	  row format delimited fields terminated by '\t'
	  location '/student;

4. 导出数据

  1. Insert 导出

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

# 将查询的结果格式化导出到本地
insert overwrite local directory '/opt/module/hive/data/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)
insert overwrite directory '/user/atguigu/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from student;

  2. Hadoop 命令导出到本地

    dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;

  3. Hive Shell 命令导出
    语法：hive -f/-e 执行语句或者脚本 > file

    hive -e 'select * from default.student;' > /opt/module/hive/data/export/student4.txt;

5. Import / Export 导入导出

export 和 import 主要用于两个 Hadoop 平台集群之间 Hive 表迁移。

# 导出表到 /test 路径上（hdfs），导出数据中包含namenode的元数据
export table test to "/test";

# 将上面导出的目录导入到新表中
import table test2 from "/test";

6. 清空表（Truncate）

注意：Truncate 只能删除管理表，不能删除外部表中数据

TRUNCATE TABLE table_name;

六、查询

官方文档：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select

查询语句语法:

SELECT [ALL | DISTINCT] select_expr, select_expr, ... 
	FROM table_reference
	[WHERE where_condition]
	[GROUP BY col_list]
  	[ORDER BY col_list]
  	[CLUSTER BY col_list
    	| [DISTRIBUTE BY col_list] [SORT BY col_list]
  	]
 	[LIMIT number]

数据准备：https://gitee.com/xinboss/bigdata/tree/master/Hive/data

1. 列别名

# 给列起别名，AS 可有可无
select ename AS name, deptno dn from emp;

2. 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

3. 常用函数

# 求总行数(count)
select count(*) cnt from emp;

# 工资的最大值(max)
select max(sal) max_sal from emp;

# 工资的最小值(min)
select min(sal) min_sal from emp;

# 工资的总和(sum)
select sum(sal) sum_sal from emp;

# 工资的平均值(avg)
select avg(sal) avg_sal from emp;

4. Limit 语句

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;

5. Where 语句

使用 WHERE 子句，将不满足条件的行过滤掉

# 查询出薪水大于 1000 的所有员工
select * from emp where sal > 1000;

注意：where 子句中不能使用字段别名。

6. 比较运算符（Between/In/ Is Null）

下面表中描述了谓词操作符，这些操作符同样可以用于 JOIN...ON 和 HAVING 语句中。

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，如果一边为 NULL，返回 False
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，也叫通配符模式，
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’
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 是基于 java 的正则表达式，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。

7. 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：

  • % 代表零个或多个字符(任意个字符)。
  • _ 代表一个字符。

RLIKE 子句：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。

# 查找名字以 A 开头的员工信息
select * from emp where ename LIKE 'A%';
# 查找名字中第二个字母为 A 的员工信息
select * from emp where ename LIKE '_A%';
# 查找名字中带有 A 的员工信息
select * from emp where ename RLIKE '[A]';

8. 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);

9. 分组

1）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。

# 查询 emp 每个部门中每个岗位的最高薪水
select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;

2）Having 语句

having 与 where 不同点：

  1. where 后面不能写分组函数，而 having 后面可以使用分组函数。
  2. having 只用于 group by 分组统计语句。
# 查询平均薪水大于 2000 的部门
select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

3）GROUPING SETS

官方文档：https://cwiki.apache.org/confluence/display/Hive/Enhanced+Aggregation%2C+Cube%2C+Grouping+and+Rollup

在一个GROUP BY 查询中，根据不同的维度组合进行聚合，等价于将不同维度的 GROUP BY 结果进行 UNION ALL 操作。GROUPING SETS 就是一种将多个 GROUP BY 逻辑 UNION 写在一个 HIVE SQL 语句中的便利写法。GROUPING SETS 会把在单个 GROUP BY 逻辑中没有参与 GROUP BY 的那一列置为 NULL 值，这样聚合出来的结果，未被 GROUP BY 的列将显示为 NULL。

select deptno, job, count(*) from emp group by deptno, job grouping sets ((deptno, job), deptno, job, ());

# 等价于：
select deptno, job, count(*) from emp group by deptno, job
union
select deptno, null, count(*) from emp group by deptno
union
select null, job, count(*) from emp group by job
union
select null, null, count(*) from emp;

部分结果：

deptno	job		_c2
NULL	NULL	14
10		NULL	3
20		NULL	5
30		NULL	6
NULL	ANALYST	2
20		ANALYST	2
NULL	CLERK	4
10		CLERK	1

10. Join 语句

Hive 支持通常的 SQL JOIN 语句。

1）常用JOIN

Hive详解——基本操作归纳_第9张图片

全连接（图中最后一行）的另一种写法：

# union 去重; union all 不去重
SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key;

SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key WHERE B.Key IS NULL
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key WHERE A.Key IS NULL;

大多数情况下，Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。当对 3 个或者更多表进行 join 连接时，如果每个 on 子句都使用相同的连接键的 话，那么只会产生一个 MapReduce job。

2）笛卡尔积

笛卡尔集就是 A 表每一行和 B 表每一行进行连接，会在下面条件下产生：

  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

例如：

# 省略连接条件
select empno, dname from emp, dept;

11. 排序

1）全局排序（Order By）

Order By：全局排序，只有一个 Reducer

  • 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 asc;

# 部门升序，工资降序
select ename, deptno, sal from emp order by deptno, sal desc;

2）每个 Reduce 内部排序（Sort By）

Sort By：对于大规模的数据集，order by 的效率非常低。在很多情况下，并不需要全局排序，此时可以使用 sort by。Sort by 为每个 reducer 产生一个排序文件。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 deptno from emp sort by deptno 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 '/tmp/sortby-result' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from emp sort by deptno desc;

3）分区（Distribute By）

Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个 reducer，通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by 类似 MR 中 partition (自定义分区)，进行分区，结合 sort by 使用。

注意：

  • distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，余数相同的分到一个区。
  • Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。
  • 对于 distribute by 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。
# 设置 reduce 个数
set mapreduce.job.reduces=4;

# 按分区进行查询
insert overwrite local directory '/tmp/distribute-result' 
select deptno,empno from emp distribute by deptno sort by empno desc;

上例中的分区计算：
Int 数据类型的 hash 码为 Int 数据本身，上面的例子中，分区数为 4，所以

  • 部门编号为 20 的数据会在第 0 个分区（20 % 4 = 0）
  • 部门编号为 10 和 30 的数据会在第 2 个分区（10 % 4 = 2，30 % 4 = 2）

4）Cluster By

当 distribute by 和 sorts by 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。

以下两种写法等价：

select deptno,empno from emp cluster by deptno;
select deptno,empno from emp distribute by deptno sort by deptno;

七、分区表和分桶表

1. 分区表

分区表实际上就是对应一个 HDFS 文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive 中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过 WHERE 子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

1）基本操作

  1. 准备数据：https://gitee.com/xinboss/bigdata/tree/master/Hive/data/partition

  2. 创建分区表，其中 day 是分区字段，分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。

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

  3. 加载数据到分区表中，分区表加载数据时，必须指定分区，如果不指定分区，数据会放到默认分区：__HIVE_DEFAULT_PARTITION__

    load data local inpath '/root/data/dept_20200401.log' into table dept_partition partition(day='20200401');

  4. 查看 hdfs 目录结构：
    Hive详解——基本操作归纳_第10张图片

  5. 查询分区表中数据

    select * from dept_partition where day='20200401';

select * from dept_partition where day='20200401' union
select * from dept_partition where day='20200402';

select * from dept_partition where day='20200401' or day='20200402' or day='20200403';

  6. 增加分区

    # 创建单个分区
alter table dept_partition add partition(day='20200404');

# 同时创建多个分区
alter table dept_partition add partition(day='20200405') partition(day='20200406');

  7. 删除分区

    # 删除单个分区
alter table dept_partition drop partition (day='20200406');

# 同时删除多个分区
alter table dept_partition drop partition (day='20200404'), partition(day='20200405');

  8. 查看分区表有多少分区

    show partitions dept_partition;

  9. 查看分区表结构

    hive> desc formatted dept_partition;
# Partition Information
# col_name            	data_type           	comment
day                 	string

2. 二级分区

1）基本操作

# 创建二级分区表
create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by ',';

# 加载数据到二级分区表中
load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 
partition(day='20200401', hour='12');

# 查询分区数据
select * from dept_partition2 where day='20200401' and hour='12';

2）数据直接上传到分区目录，如何让分区表和数据产生关联

  1. 上传数据

    hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
hive (default)> dfs -put /tmp/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;

  2. 查询数据（查询不到刚上传的数据）

    hive (default)> select * from dept_partition2 where day='20200401' and hour='13';

这是因为 Hive 的元数据中没有记录这个手动创建的分区（可以查看 Mysql 中的表 PARTITIONS），可以通过下面 3 种方法来让分区表和数据产生关联

  1. 执行修复命令
msck repair table dept_partition2;
  1. 上传数据后手动添加分区
alter table dept_partition2 add partition(day='20200401',hour='13');
  1. 创建文件夹后 load 数据到分区 创建目录
load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table
dept_partition2 partition(day='20200401',hour='13');

3. 动态分区调整

关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive 中也提供了类似的机制，即动态分区（Dynamic Partition）。

1）常用配置

  1. 开启动态分区功能(默认 true，开启)

    hive.exec.dynamic.partition=true

  2. 设置为非严格模式（动态分区的模式，默认 strict，表示必须指定至少一个分区为 静态分区，nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）

    hive.exec.dynamic.partition.mode=nonstrict

  3. 在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。默认 1000

    hive.exec.max.dynamic.partitions=1000

  4. 在每个执行 MR 的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就需要设置成大于 365，如果使用默认值 100，则会报错。

    hive.exec.max.dynamic.partitions.pernode=100

  5. 整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 100000

    hive.exec.max.created.files=100000

  6. 当有空分区生成时，是否抛出异常。一般不需要设置。默认 false

    hive.error.on.empty.partition=false

2）案例

需求：将 emp 表中的数据按照部门（deptno 字段）和岗位（job 字段），插入到目标表 emp_partition 的相应分区中。

  1. 创建目标分区表

    create table emp_partition_dy(empno int, ename string)
partitioned by (deptno int, job string) row format delimited fields terminated by '\t';

  2. 设置为非严格模式

    set hive.exec.dynamic.partition.mode=nonstrict;

  3. 插入数据，按照插入数据后两个字段动态的进行分区。假设有 n 个分区，那么就会按照插入数据的后 n 个字段自动进行分区

    insert into table emp_partition_dy partition(deptno, job) select empno, ename, deptno, job from emp;

# 同上，hive3 新特性，可以省略分区关键字，此时非严格模式也不需要开
insert into table emp_partition_dy select empno, ename, deptno, job from emp;

4. 分桶表

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。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。

  • 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。分桶针对的是数据文件。
  • 分区针对的是数据的存储路径；

分桶规则：Hive 的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中

1）案例

  1. 数据准备：https://gitee.com/xinboss/bigdata/tree/master/Hive/data/bucket

  2. 创建分桶表，表字段中必须包含分桶字段，id 为分桶字段，分为 4 个桶

    create table stu_buck(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by ',';

  3. 导入数据到分桶表中，load 的方式

    load data local inpath '/root/data/data.txt' into table stu_buck;

  4. 查看创建的分桶表中是否分成 4 个桶

    hive> desc formatted stu_buck;
Num Buckets:        	4

    Hive详解——基本操作归纳_第11张图片

2）注意事项

  1. reduce 的个数设置为 -1，让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个数设置为大于等于分桶表的桶数
  2. 从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题
  3. 不要使用本地模式

3）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 可以通过对分桶表进行抽样来满足这个需求。

  • 语法：TABLESAMPLE(BUCKET x OUT OF y)
  • y：将分桶表中所有数据分成 y 份
  • x：从分成的 y 份中取第 x 份的数据，注意：x 的值必须小于等于 y 的值，否则会报错
# 查询表 stu_buck 中的数据。on id 表示以 id 做为分桶字段
select * from stu_buck tablesample(bucket 1 out of 4 on id);

八、函数

1. 系统内置函数

  1. 查看系统自带的函数

    show functions;

  2. 显示自带的函数的用法

    desc function upper;

  3. 详细显示自带的函数的用法，包含使用样例

    desc function extended upper;

2. 常用内置函数

Hive 自定义函数包括三种 UDF、UDAF、UDTF

  • UDF(User-Defined-Function)：一进一出，例如：nvl，if

  • UDAF(User- Defined Aggregation Funcation)：聚合函数，多进一出。例如：count，max，min

  • UDTF(User-Defined Table-Generating Functions)：一进多出，如：explore，split

1）常用日期函数

函数 说明 例子
unix_timestamp 返回当前或指定时间的时间戳 select unix_timestamp();
select unix_timestamp(“2020-10-28”,‘yyyy-MM-dd’);
from_unixtime 将时间戳转为日期格式 select from_unixtime(1603843200);
current_date 当前日期 select current_date;
current_timestamp 当前的日期加时间 select current_timestamp;
to_date 抽取日期部分 select to_date(‘2020-10-28 12:12:12’);
year 获取年 select year(‘2020-10-28 12:12:12’);
month 获取月 select month(‘2020-10-28 12:12:12’);
day 获取日 select day(‘2020-10-28 12:12:12’);
hour 获取时 select hour(‘2020-10-28 12:12:12’);
minute 获取分 select minute(‘2020-10-28 12:12:12’);
second 获取秒 select second(‘2020-10-28 12:12:12’);
weekofyear 当前时间是一年中的第几周 select weekofyear(‘2020-10-28 12:12:12’);
dayofmonth 当前时间是一个月中的第几天 select dayofmonth(‘2020-10-28 12:12:12’);
months_between 两个日期间的月份 select months_between(‘2020-04-01’,‘2020-10-28’);
add_months 日期加减月 select add_months(‘2020-10-28’,-3);
datediff 两个日期相差的天数 select datediff(‘2020-11-04’,‘2020-10-28’);
date_add 日期加天数 select date_add(‘2020-10-28’,4);
date_sub 日期减天数 select date_sub(‘2020-10-28’,-4);
last_day 日期的当月的最后一天 select last_day(‘2020-02-30’);
date_format() 格式化日期 select date_format(‘2020-10-28 12:12:12’,‘yyyy/MM/dd HH:mm:ss’);

2）常用取整函数

函数 说明 例子
round 四舍五入 select round(3.14);
select round(3.54);
ceil 向上取整 select ceil(3.14);
select ceil(3.54);
floor 向下取整 select floor(3.14);
select floor(3.54);

3）常用字符串操作函数

函数 说明 例子
upper 转大写 select upper(‘low’);
lower 转小写 select lower(‘low’);
length 长度 select length(“abcdefg”);
split(str, regex) 正则表达式 regex 匹配的分隔符来拆分 str select split(‘oneAtwoBthree’, ‘[AB]’);
trim 前后去空格 select trim(" abcdefg ");
lpad 向左补齐，到指定长度，如果字符串长度大于指定长度，则截取 select lpad(‘abcdefg’,9,‘g’);
rpad 向右补齐，到指定长度，如果字符串长度大于指定长度，则截取指定长度 select rpad(‘abcdefg’,9,‘g’);
regexp_replace 使用正则表达式匹配目标字符串，匹配成功后替换 select regexp_replace(‘2020/10/25’, ‘/’, ‘-’);

4）集合操作

函数 说明 例子
size 集合中元素的个数 select size(friends) from test3;
map_keys 返回map中的key select map_keys(children) from test3;
map_values 返回map中的value select map_values(children) from test3;
array_contains 判断array中是否包含某个元素 select array_contains(friends,‘bingbing’) from test3;
sort_array 将array中的元素排序 select sort_array(friends) from test3;

5）空字段赋默认值 NVL

NVL( value，default_value)：给值为 NULL 的数据赋值。如果 value 为 NULL，则 NVL 函数返回 default_value 的值，否则返回 value 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 comm, nvl(comm, -1) from emp;

6）多维分析 grouping_set

在一个 GROUP BY 查询中，根据不同的维度组合进行聚合，等价于将不同维度的 GROUP BY 结果集进行 UNION ALL

  • GROUPING__ID：表示结果属于哪一个分组集合。

查询语句：

select 
  month,
  day,
  count(distinct cookieid) as uv,
  GROUPING__ID
from cookie.cookie5 
group by month,day 
grouping sets (month,day) 
order by GROUPING__ID;

等价于：

SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM cookie5 GROUP BY month 
UNION ALL 
SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM cookie5 GROUP BY day

7）拼接字符串或列 CONCAT

  • concat(str1/col, str2/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, [string | array(string)]+)：它是一个特殊形式的 CONCAT()。第一个参数为分隔符，分隔符将被加到其它字符串参数之间和数组元素这间。如果分隔符是 NULL，返回值也将为 NULL；如果连接时有字符串为 NULL，则会跳过连接 NULL 值。
# 下面两个语句返回结果相同
select concat('A', '-', 'B', '-', 'C');
select concat_ws('-', 'A', 'B', 'C');

8）COLLECT_SET/COLLECT_LIST

  • 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。
  • COLLECT_LIST(col)：同上，但是字段值不进行去重。
# 该列所有值生成一个集合
select COLLECT_SET(deptno) from emp;
select COLLECT_LIST(deptno) from emp;

3. CASE WHEN THEN ELSE END

  1. 查询出不同部门男女各多少人
    select dept_id,
	sum(case sex when '男' then 1 else 0 end) male_count, 
	sum(case sex when '女' then 1 else 0 end) female_count
from emp_sex
group by dept_id;

# 另一种写法
select dept_id,
	sum(if(sex = '男', 1, 0),
	sum(if(sex = '女', 1, 0)
from emp_sex
group by dept_id;
  2. 统计各个工资等级的员工数
    SELECT
  CASE WHEN sal <= 1000 THEN '1'
    WHEN sal > 1000 AND sal <= 2000  THEN '2'
    WHEN sal > 2000 AND sal <= 3000  THEN '3'
    WHEN sal > 3000 THEN '4'
  END salary,
  COUNT(*)
FROM emp
GROUP BY
  CASE WHEN sal <= 1000 THEN '1'
    WHEN sal > 1000 AND sal <= 2000  THEN '2'
    WHEN sal > 2000 AND sal <= 3000  THEN '3'
    WHEN sal > 3000 THEN '4'
  END;

4. 行转列

  • 统计各部门，各岗位的员工名字

    select
deptno, job, concat_ws(',', collect_set(ename)) enames
from emp
group by deptno, job;

    结果：

    deptno	job		enames
20		ANALYST	SCOTT,FORD
10		CLERK	MILLER
20		CLERK	SMITH,ADAMS
30		CLERK	JAMES

5. 列转行

1）函数说明

  • EXPLODE(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。
  • LATERAL VIEW：lateral view 用于和 split，explode 等 UDTF 一起使用，它能够将一行数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。lateral view 首先为原始表的每行调用 UDTF，UDTF 会把一行拆分成一或者多行，lateral view 再把结果组合，产生一个支持别名表的虚拟表。
    • 用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias

2）案例

需求：将行转列后的数据再转换回去

  1. 将上一步行转列后的数据保存到新表中

    create table emp2
row format delimited fields terminated by "\t"
as select
    e.deptno, e.job, concat_ws(',', collect_set(e.ename)) enames
from emp e
group by e.deptno, e.job;

  2. 行转列

    select deptno, job, ename
from emp2
lateral view explode(split(enames, ',')) t1 AS ename;

  3. 查看结果

    deptno	job	ename
20		ANALYST	SCOTT
20		ANALYST	FORD
10		CLERK	MILLER
20		CLERK	SMITH
20		CLERK	ADAMS
30		CLERK	JAMES

6. 窗口函数（开窗函数）

官方文档：
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics

1）相关函数说明

开窗函数的格式：

函数() OVER(选项)

其中函数可以是聚合函数（count，sum等）或者如下函数（常用）：

  • LAG(col, n [, default_val])：往前第 n 行数据
  • LEAD(col, n [, default_val])：往后第 n 行数据
  • NTILE(n)：把有序窗口的行分发到指定数据的组中（对窗口中的行进行分组），各个组有编号，编号从 1 开始，对于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为 int 类型。

OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。OVER() 中的格式：

OVER([PARTITION BY col] [ORDER BY col [DESC]] [(ROWS | RANGE) BETWEEN frame_start AND frame_end]
  • PARTITION BY：子句来定义行的分区来供进行聚合计算，相当于 group by，只不过只能使用在 over() 中
  • ORDER BY：对分区中的数据进行排序
  • ROWS 是按行数据来限制窗口大小，而 RANGE 是按 col 取出的值来限制窗口大小，例如：BETWEEN 1 preceding AND 1 following
    • ROWS：窗口包含了前一行，当前行和后一行
    • RANGE：假设当前行该列的值为 1，则窗口范围为：所有该列值等于 0，1，2 的行
  • frame_start 和 frame_end 可以是以下几种，用来定义窗口规则：
    • CURRENT ROW：当前行
    • n PRECEDING：往前 n 行数据
    • n FOLLOWING：往后 n 行数据
    • UNBOUNDED：起点，
      • UNBOUNDED PRECEDING：表示从前面的起点，
      • UNBOUNDED FOLLOWING：表示到后面的终点

特殊的：

  • 当存在 ORDER BY 而省略窗口规则时，默认的窗口规则为从起点到当前行：RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
  • 当 ORDER BY 与窗口规则都省略时，默认的窗口规则为从起点到终点：ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING

2）数据准备

https://gitee.com/xinboss/bigdata/tree/master/Hive/data/over

3）案例

  1. 查询顾客的购买明细及顾客月购买总额

    select 
  name, 
  orderdate,
  cost,
  sum(cost) over(partition by name, month(orderdate))
from business;

  2. 上述的场景, 将每个顾客的 cost 按照日期进行累加

    select 
  name, 
  orderdate,
  cost,
  sum(cost) over(partition by name order by orderdate)
from business;

  3. 窗口大小举例

    select 
  sum(cost) over() as sample1, --所有行相加
  sum(cost) over(partition by name) as sample2, --按 name 分组，组内数据相加 
  sum(cost) over(partition by name order by orderdate) as sample3, --按 name 分组，组内数据累加
  sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,--和 sample3 一样,由起点到 当前行的聚合
  sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合
  sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行
  sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行 
from business;

  4. 查询每个顾客上次的购买时间

    select 
  name, 
  orderdate,
  cost,
  LAG(orderdate, 1) over(partition by name order by orderdate)
from business;

  5. 查询前 20%时间的订单信息（排序后分成 5 份，取第 1 份）

    ntile(5)：将窗口中的数据分成 5 份，并进行编号

    select * 
from (
  select 
    *,
    ntile(5) over(order by orderdate) sorted
  from business) t
where t.sorted = 1;

7. Rank 排名

对窗口中的数据进行排名，当数据相同时，根据不同排名情况对应下面三种 Rank 函数：

  • RANK()：排序相同时会重复，总数不会变（1，1，3）
  • DENSE_RANK()：排序相同时会重复，总数会减少（1，1，2）
  • ROW_NUMBER()：会根据顺序计算（1，2，3）

查询各个部门的薪水排名：

select deptno, ename, sal,
rank() over(partition by deptno order by sal desc) rp,
dense_rank() over(partition by deptno order by sal desc) drp,
row_number() over(partition by deptno order by sal desc) rmp
from emp;

部分结果如下：

deptno	ename	sal		rp	drp	rmp
20		SCOTT	3000.0	1	1	1
20		FORD	3000.0	1	1	2
20		JONES	2975.0	3	2	3

8. 自定义函数

当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数。
官方文档地址：https://cwiki.apache.org/confluence/display/Hive/HivePlugins

根据用户自定义函数类别分为以下三种：

  1. UDF(User-Defined-Function)：一进一出
  2. UDAF(User-Defined Aggregation Function)：聚集函数，多进一出类似于：count/max/min
  3. UDTF(User-Defined Table-Generating Functions)：一进多出，例如 lateral view explode()

编程步骤：

  1. 继承 Hive 提供的类，实现类中的抽象方法

    org.apache.hadoop.hive.ql.udf.generic.GenericUDF
org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;

  2. 在 hive 的命令行窗口创建函数添加 jar，然后创建 function

    # 添加jar
add jar linux_jar_path;
# 创建 function
create [temporary] function [dbname.]function_name AS class_name;

  3. 在 hive 的命令行窗口删除函数

    drop [temporary] function [if exists] [dbname.]function_name;

1）自定义 UDF 函数

需求：自定义一个 UDF，实现计算给定字符串的长度，例如:

  1. 创建一个 Maven 工程，引入 Hive 依赖

    <dependency>
    <groupId>org.apache.hivegroupId>
    <artifactId>hive-execartifactId>
    <version>3.1.2version>
dependency>

  2. 自定义 UDF 函数，需要继承 GenericUDF 类

    /**
 * 计算给定字符串的长度
 */
public class MyUdf extends GenericUDF {
    /**
     * @param arguments 输入参数类型的鉴别器对象
     * @return 返回值类型的鉴别器对象
     * @throws UDFArgumentException
     */
    @Override
    public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
        // 判断输入参数的个数
        if (arguments.length != 1) {
            throw new UDFArgumentLengthException(
                    "参数长度不是 1");
        }

        // 判断输入参数的类型
        if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE) ){
            throw new UDFArgumentTypeException(0, "输入参数类型错误");
        }

        //函数本身返回值为 int，需要返回 int 类型的鉴别器对象
        return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
    }

    /**
     * 函数的逻辑处理
     * @param arguments 输入的参数
     * @return 返回值
     * @throws HiveException
     */
    @Override
    public Object evaluate(DeferredObject[] arguments) throws HiveException {
        String s = arguments[0].get().toString();

        if (s == null) {
            return null;
        }

        return s.length();
    }

    
    @Override
    public String getDisplayString(String[] children) {
        return "";
    }
}

  3. 打成 jar 包上传到服务器 /root/jar/myudf.jar

  4. 将 jar 包添加到 hive 的 classpath

    add jar /root/jar/myudf.jar;

  5. 创建临时函数与开发好的 java class 关联

    # create temporary function 函数名 as 类路径;
create temporary function my_len as "com.udf.MyUdf";

  6. 即可在 hql 中使用自定义的函数

    select ename, my_len(ename) ename_len from emp;

2）自定义 UDTF 函数

需求：自定义一个 UDTF 实现将一个任意分割符的字符串切割成独立的单词：

  1. 代码实现

    /**
 * 将一个任意分割符的字符串切割成独立的单词
 */
public class MyUdtf extends GenericUDTF {

    private ArrayList<String> outList = new ArrayList<>();

    @Override
    public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {
        //1.定义输出数据的列名和类型
        List<String> fieldNames = new ArrayList<>();
        List<ObjectInspector> fieldOIs = new ArrayList<>();

        //2.添加输出数据的列名和类型，一个列名对应一个类型，列名可以被别名覆盖
        fieldNames.add("lineToWord");
        fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
        
        return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
    }

    @Override
    public void process(Object[] args) throws HiveException {
        //1.获取原始数据
        String arg = args[0].toString();
        //2.获取数据传入的第二个参数，此处为分隔符
        String splitKey = args[1].toString();
        //3.将原始数据按照传入的分隔符进行切分
        String[] fields = arg.split(splitKey);

        //4.遍历切分后的结果，并写出
        for (String field : fields) {
            //集合为复用的，首先清空集合
            outList.clear();
            //将每一个单词添加至集合
            outList.add(field);
            //将集合内容写出
            forward(outList);
        }
    }

    @Override
    public void close() throws HiveException {

    }
}

  2. 打成 jar 包上传到服务器 /root/jar/myutdf.jar

  3. 将 jar 包添加到 hive 的 classpath

    add jar /root/jar/myutdf.jar;

  4. 创建临时函数与开发好的 java class 关联

    # create temporary function 函数名 as 类路径;
create temporary function myudtf as "com.udtf.MyUtdf";

  5. 即可在 hql 中使用自定义的函数

    select myudtf("hello,world,hadoop,hive", ",");

你可能感兴趣的:(大数据,hadoop,hive,大数据,mysql,hql)

  • mysql禁用远程登录 igotyback mysql
    去mysql库中的user表里，将host都改成localhost之后刷新权限FLUSHPRIVILEGES;
  • MYSQL面试系列-04 king01299 面试mysql面试
    MYSQL面试系列-0417.关于redolog和binlog的刷盘机制、redolog、undolog作用、GTID是做什么的？innodb_flush_log_at_trx_commit及sync_binlog参数意义双117.1innodb_flush_log_at_trx_commit该变量定义了InnoDB在每次事务提交时，如何处理未刷入（flush）的重做日志信息（redolog）。它
  • nosql数据库技术与应用知识点 皆过客，揽星河 NoSQLnosql数据库大数据数据分析数据结构非关系型数据库
    Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
  • ES聚合分析原理与代码实例讲解 光剑书架上的书 大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    ES聚合分析原理与代码实例讲解1.背景介绍1.1问题的由来在大规模数据分析场景中，特别是在使用Elasticsearch（ES）进行数据存储和检索时，聚合分析成为了一个至关重要的功能。聚合分析允许用户对数据集进行细分和分组，以便深入探索数据的结构和模式。这在诸如实时监控、日志分析、业务洞察等领域具有广泛的应用。1.2研究现状目前，ES聚合分析已经成为现代大数据平台的核心组件之一。它支持多种类型的聚
  • 关于Mysql 中 Row size too large (＞ 8126) 错误的解决和理解 秋刀prince mysqlmysql数据库
    提示：啰嗦一嘴，数据库的任何操作和验证前，一定要记得先备份！！！不会有错；文章目录问题发现一、问题导致的可能原因1、页大小2、行格式2.1compact格式2.2Redundant格式2.3Dynamic格式2.4Compressed格式3、BLOB和TEXT列二、解决办法1、修改页大小（不推荐）2、修改行格式3、修改数据类型为BLOB和TEXT列4、其他优化方式（可以参考使用）4.1合理设置数据
  • MongoDB知识概括 GeorgeLin98 持久层mongodb
    MongoDB知识概括MongoDB相关概念单机部署基本常用命令索引-IndexSpirngDataMongoDB集成副本集分片集群安全认证MongoDB相关概念业务应用场景：传统的关系型数据库（如MySQL），在数据操作的“三高”需求以及应对Web2.0的网站需求面前，显得力不从心。解释：“三高”需求：①Highperformance-对数据库高并发读写的需求。②HugeStorage-对海量数
  • 入门MySQL——查询语法练习 K_un
    前言：前面几篇文章为大家介绍了DML以及DDL语句的使用方法，本篇文章将主要讲述常用的查询语法。其实MySQL官网给出了多个示例数据库供大家实用查询，下面我们以最常用的员工示例数据库为准，详细介绍各自常用的查询语法。1.员工示例数据库导入官方文档员工示例数据库介绍及下载链接：https://dev.mysql.com/doc/employee/en/employees-installation.h
  • WebMagic：强大的Java爬虫框架解析与实战 Aaron_945 Javajava爬虫开发语言
    文章目录引言官网链接WebMagic原理概述基础使用1.添加依赖2.编写PageProcessor高级使用1.自定义Pipeline2.分布式抓取优点结论引言在大数据时代，网络爬虫作为数据收集的重要工具，扮演着不可或缺的角色。Java作为一门广泛使用的编程语言，在爬虫开发领域也有其独特的优势。WebMagic是一个开源的Java爬虫框架，它提供了简单灵活的API，支持多线程、分布式抓取，以及丰富的
  • 博客网站制作教程 2401_85194651 javamaven
    首先就是技术框架：后端：Java+SpringBoot数据库：MySQL前端：Vue.js数据库连接：JPA(JavaPersistenceAPI)1.项目结构blog-app/├──backend/│├──src/main/java/com/example/blogapp/││├──BlogApplication.java││├──config/│││└──DatabaseConfig.java
  • ubuntu安装wordpress lissettecarlr
    1安装nginx网上安装方式很多，这就就直接用apt-get了apt-getinstallnginx不用启动啥，然后直接在浏览器里面输入IP:80就能看到nginx的主页了。如果修改了一些配置可以使用下列命令重启一下systemctlrestartnginx.service2安装mysql输入安装前也可以更新一下软件源，在安装过程中将会让你输入数据库的密码。sudoapt-getinstallmy
  • 计算机毕业设计PHP仓储综合管理系统（源码+程序+VUE+lw+部署） java毕设程序源码王哥 php课程设计vue.js
    该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程。欢迎交流项目运行环境配置：phpStudy+Vscode+Mysql5.7+HBuilderX+Navicat11+Vue+Express。项目技术：原生PHP++Vue等等组成，B/S模式+Vscode管理+前后端分离等等。环境需要1.运行环境：最好是小皮phpstudy最新版，我们在这个版本上开发的。其他版本理论上也可以。2.开发
  • 免费的GPT可在线直接使用（一键收藏） kkai人工智能 gpt
    1、LuminAI（https://kk.zlrxjh.top）LuminAI标志着一款融合了星辰大数据模型与文脉深度模型的先进知识增强型语言处理系统，旨在自然语言处理（NLP）的技术开发领域发光发热。此系统展现了卓越的语义把握与内容生成能力，轻松驾驭多样化的自然语言处理任务。VisionAI在NLP界的应用领域广泛，能够胜任从机器翻译、文本概要撰写、情绪分析到问答等众多任务。通过对大量文本数据的
  • 如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
    在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
  • 浅谈MapReduce Android路上的人 Hadoop分布式计算mapreduce分布式框架hadoop
    从今天开始，本人将会开始对另一项技术的学习，就是当下炙手可热的Hadoop分布式就算技术。目前国内外的诸多公司因为业务发展的需要，都纷纷用了此平台。国内的比如BAT啦，国外的在这方面走的更加的前面，就不一一列举了。但是Hadoop作为Apache的一个开源项目，在下面有非常多的子项目，比如HDFS，HBase,Hive，Pig,等等，要先彻底学习整个Hadoop，仅仅凭借一个的力量，是远远不够的。
  • You have an error in your SQL syntax； check the manual that corresponds to your MySQL server version 努力的菜鸟~ sql数据库
    YouhaveanerrorinyourSQLsyntax;checkthemanualthatcorrespondstoyourMySQLserverversionfortherightsyntaxtousenear‘IDENTIFIEDBY‘123456’WITHGRANTOPTION’atline1在mysql5.7之前GRANTALLPRIVILEGESON*.*TO'root'@'%'I
  • mysql学习教程，从入门到精通，TOP 和MySQL LIMIT 子句（15） 知识分享小能手 大数据数据库MySQLmysql学习oracle数据库开发语言adb大数据
    1、TOP和MySQLLIMIT子句内容在SQL中，不同的数据库系统对于限制查询结果的数量有不同的实现方式。TOP关键字主要用于SQLServer和Access数据库中，而LIMIT子句则主要用于MySQL、PostgreSQL（通过LIMIT/OFFSET语法）、SQLite等数据库中。下面将分别详细介绍这两个功能的语法、语句以及案例。1.1、TOP子句（SQLServer和Access）1.1
  • 鲲鹏 ARM 架构 麒麟 Lylin v10 安装 Nginx (离线) 焚木灵 arm开发架构nginx服务器
    最近做一个银行的项目，银行的服务器是鲲鹏ARM架构的服务器，并且是麒麟v10的系统，这里记录一下在无法访问外网安装Nginx的方法。其他文章：鲲鹏ARM架构麒麟Lylinv10安装Mysql8.3(离线)-CSDN博客鲲鹏ARM架构麒麟Lylinv10安装Node和NVM(离线)-CSDN博客鲲鹏ARM架构麒麟Lylinv10安装Pm2(离线)-CSDN博客鲲鹏ARM架构麒麟Lylinv10安装P
  • 未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
    目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
  • Kubernetes部署MySQL数据持久化 沫殇-MS KubernetesMySQL数据库kubernetesmysql容器
    一、安装配置NFS服务端1、安装nfs-kernel-server：sudoapt-yinstallnfs-kernel-server2、服务端创建共享目录#列出所有可用块设备的信息lsblk#格式化磁盘sudomkfs-text4/dev/sdb#创建一个目录：sudomkdir-p/data/nfs/mysql#更改目录权限：sudochown-Rnobody:nogroup/data/nfs
  • MySQL事务隔离级别和MVCC 简书徐小耳
    MySQL事务隔离级别和MVCC参考：https://mp.weixin.qq.com/s/Jeg8656gGtkPteYWrG5_Nw1.MVCC只对读已提交和可重复的读有效果，而未提交读和串行则无意义。2.每条记录都会有trx_id(事务修改记录的id）和roll_pointer是一个指针指向旧版本的undo日志链表（row_id不是必必要的，如果有主键存在就不需要了）3.版本链的头结点就是记
  • Hadoop 傲雪凌霜，松柏长青 后端大数据hadoop大数据分布式
    ApacheHadoop是一个开源的分布式计算框架，主要用于处理海量数据集。它具有高度的可扩展性、容错性和高效的分布式存储与计算能力。Hadoop核心由四个主要模块组成，分别是HDFS（分布式文件系统）、MapReduce（分布式计算框架）、YARN（资源管理）和HadoopCommon（公共工具和库）。1.HDFS（HadoopDistributedFileSystem）HDFS是Hadoop生
  • Hadoop架构 henan程序媛 hadoop大数据分布式
    一、案列分析1.1案例概述现在已经进入了大数据(BigData)时代，数以万计用户的互联网服务时时刻刻都在产生大量的交互，要处理的数据量实在是太大了，以传统的数据库技术等其他手段根本无法应对数据处理的实时性、有效性的需求。HDFS顺应时代出现，在解决大数据存储和计算方面有很多的优势。1.2案列前置知识点1.什么是大数据大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的大量数据集合，
  • CentOS7 安装MySQL5.7.44 不要Null了 javacentosmysql
    1.下载mysql安装包，我放在百度网盘里(下方链接)链接：https://pan.baidu.com/s/1_Mn1XW_1mWdTV4mhnLG66A提取码：s31n2.首先看看以前是否安装过mysqlrpm-qa|grep-imysql如果已经安装过mysql会提示卸载mysqlrpm-emysql-…3.使用FinallShell或者Xftp进行上传放到/usr/local/mysql，没
  • 非关系型数据库 天秤-white nosql
    一、为什么要用Nosql1.单机MySQL的时代。一个基本的网站访问量一般不会太大，单个数据库完全足够。那时候更多使用的静态网页html，服务器根本没有太大压力。这时候网站的瓶颈是什么？-数据量如果太大，一个机器放不下。-数据量太大需要建立数据的索引（B+Tree），一个服务器内存放不下。-访问量读写混合，一个服务器承受不了。2.memcached缓存+MySQL+垂直拆分（读写分离）。网站80%
  • 六、全局锁和表锁：给表加个字段怎么有这么多阻碍 nieniemin
    数据库锁设计的初衷是处理并发问题。作为多用户共享的资源，当出现并发访问的时候，数据库需要合理地控制资源的访问规则。而锁就是用来实现这些访问规则的重要数据结构。根据加锁的范围，MySQL里面的锁大致可以分成全局锁、表级锁和行锁三类。6.1全局锁全局锁就是对整个数据库实例加锁。MySQL提供了一个加全局读锁的方法，命令是Flushtableswithreadlock(FTWRL)。当你需要让整个库处于
  • [转载] NoSQL简介 weixin_30325793 大数据数据库运维
    摘自“百度百科”。NoSQL，泛指非关系型的数据库。随着互联网web2.0网站的兴起，传统的关系数据库在应付web2.0网站，特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心，暴露了很多难以克服的问题，而非关系型的数据库则由于其本身的特点得到了非常迅速的发展。NoSQL数据库的产生就是为了解决大规模数据集合多重数据种类带来的挑战，尤其是大数据应用难题。虽然NoSQL流行语
  • Kubernetes 自定义控制器开发 IT回忆录 Kubeneteskubernetes
    目录前言一、CRD二、创建数据库表（Mysql）二、控制器开发1.使用kubernetes的examplecontroller模板2.在controller.go中新增数据表监听方法3.修改tools工具生成资源对象结构体定义这里记录开发k8s控制器的一般方式，controller开发主要使用k8s提供的client-go库进行。前言Controller监听集群内部资源对象的变化，编辑资源对象(增
  • 【K8s】专题十一：Kubernetes 集群证书过期处理方法 行者Sun1989 Kuberneteskubernetes云原生容器
    本文内容均来自个人笔记并重新梳理，如有错误欢迎指正！如果对您有帮助，烦请点赞、关注、转发、订阅专栏！专栏订阅入口Linux专栏|Docker专栏|Kubernetes专栏往期精彩文章【Docker】（全网首发）KylinV10下MySQL容器内存占用异常的解决方法【Docker】（全网首发）KylinV10下MySQL容器内存占用异常的解决方法（续）【Docker】MySQL源码构建Docker镜
  • MySQl篇（SQL - 基本介绍）（持续更新迭代） wclass-zhengge mysqlsql数据库
    目录一、简介二、SQL方言（分页查询为例）1.简介2.SQL方言大比拼2.1.Oracle2.1.1.使用ROWNUM实现分页查询2.1.2.使用ROW_NUMBER()实现分页查询2.2.MySQL2.3.PostgreSQL三、语法规范四、注释五、MySQL脚本中的标点符号一、简介1、SQL是结构化查询语言（StructureQueryLanguage），专门用来操作/访问关系型数据库的通用语
  • 跟着黑马学mysql（5） 小杜不吃糖 mysql数据库
    17.DQL-聚合函数DQL-聚合函数介绍将一列数据作为一个整体，进行纵向计算。常见聚合函数函数功能count统计数量max最大值min最小值avg平均值sum求和语法SELECT聚合函数(字段列表)FROM表名;注意：所有的null值不参与聚合函数的运算18.DQL-分组查询语法SELECT字段列表FROM表名[WHERE条件]GROUPBY分组字段名[HAVING分组后的过滤条件];where
  • PHP如何实现二维数组排序？ IT独行者 二维数组PHP排序　
    二维数组在PHP开发中经常遇到，但是他的排序就不如一维数组那样用内置函数来的方便了，（一维数组排序可以参考本站另一篇文章【PHP中数组排序函数详解汇总】）。二维数组的排序需要我们自己写函数处理了，这里UncleToo给大家分享一个PHP二维数组排序的函数： 代码： functionarray_sort($arr,$keys,$type='asc'){ $keysvalue= $new_arr
  • 【Hadoop十七】HDFS HA配置 bit1129 hadoop
    基于Zookeeper的HDFS HA配置主要涉及两个文件,core-site和hdfs-site.xml。   测试环境有三台 hadoop.master hadoop.slave1 hadoop.slave2   hadoop.master包含的组件NameNode, JournalNode, Zookeeper，DFSZKFailoverController
  • 由wsdl生成的java vo类不适合做普通java vo darrenzhu VOwsdlwebservicerpc
    开发java webservice项目时，如果我们通过SOAP协议来输入输出，我们会利用工具从wsdl文件生成webservice的client端类，但是这里面生成的java data model类却不适合做为项目中的普通java vo类来使用，当然有一中情况例外，如果这个自动生成的类里面的properties都是基本数据类型，就没问题，但是如果有集合类，就不行。原因如下： 1)使用了集合如Li
  • JAVA海量数据处理之二（BitMap） 周凡杨 java算法bitmapbitset数据
           路漫漫其修远兮，吾将上下而求索。想要更快，就要深入挖掘 JAVA 基础的数据结构，从来分析出所编写的 JAVA 代码为什么把内存耗尽，思考有什么办法可以节省内存呢？ 啊哈！算法。这里采用了 BitMap 思想。   首先来看一个实验： 指定 VM 参数大小： -Xms256m -Xmx540m
  • java类型与数据库类型 g21121 java
    很多时候我们用hibernate的时候往往并不是十分关心数据库类型和java类型的对应关心，因为大多数hbm文件是自动生成的，但有些时候诸如：数据库设计、没有生成工具、使用原始JDBC、使用mybatis(ibatIS)等等情况，就会手动的去对应数据库与java的数据类型关心，当然比较简单的数据类型即使配置错了也会很快发现问题，但有些数据类型却并不是十分常见，这就给程序员带来了很多麻烦。 &nb
  • Linux命令 510888780 linux命令
    系统信息 arch 显示机器的处理器架构(1) uname -m 显示机器的处理器架构(2) uname -r 显示正在使用的内核版本 dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI) hdparm -i /dev/hda 罗列一个磁盘的架构特性 hdparm -tT /dev/sda 在磁盘上执行测试性读取操作 cat /proc/cpuinfo 显示C
  • java常用JVM参数 墙头上一根草 javajvm参数
    -Xms：初始堆大小，默认为物理内存的1/64(<1GB)；默认(MinHeapFreeRatio参数可以调整)空余堆内存小于40%时，JVM就会增大堆直到-Xmx的最大限制 -Xmx：最大堆大小，默认(MaxHeapFreeRatio参数可以调整)空余堆内存大于70%时，JVM会减少堆直到 -Xms的最小限制 -Xmn：新生代的内存空间大小，注意：此处的大小是（eden+ 2
  • 我的spring学习笔记9-Spring使用工厂方法实例化Bean的注意点 aijuans Spring 3
    方法一： <bean id="musicBox" class="onlyfun.caterpillar.factory.MusicBoxFactory" factory-method="createMusicBoxStatic"></bean> 方法二：
  • mysql查询性能优化之二 annan211 UNIONmysql查询优化索引优化
    1 union的限制 有时mysql无法将限制条件从外层下推到内层，这使得原本能够限制部分返回结果的条件无法应用到内层 查询的优化上。 如果希望union的各个子句能够根据limit只取部分结果集，或者希望能够先排好序在 合并结果集的话，就需要在union的各个子句中分别使用这些子句。 例如 想将两个子查询结果联合起来，然后再取前20条记录，那么mys
  • 数据的备份与恢复 百合不是茶 oraclesql数据恢复数据备份
     数据的备份与恢复的方式有: 表,方案 ,数据库;     数据的备份: 导出到的常见命令; 参数 说明 USERID 确定执行导出实用程序的用户名和口令 BUFFER 确定导出数据时所使用的缓冲区大小，其大小用字节表示 FILE 指定导出的二进制文
  • 线程组 bijian1013 java多线程threadjava多线程线程组
    有些程序包含了相当数量的线程。这时，如果按照线程的功能将他们分成不同的类别将很有用。        线程组可以用来同时对一组线程进行操作。        创建线程组：ThreadGroup g = new ThreadGroup(groupName);  &nbs
  • top命令找到占用CPU最高的java线程 bijian1013 javalinuxtop
    上次分析系统中占用CPU高的问题，得到一些使用Java自身调试工具的经验，与大家分享。 (1)使用top命令找出占用cpu最高的JAVA进程PID:28174 (2)如下命令找出占用cpu最高的线程 top -Hp 28174 -d 1 -n 1 32694 root 20 0 3249m 2.0g 11m S 2 6.4 3:31.12 java
  • 【持久化框架MyBatis3四】MyBatis3一对一关联查询 bit1129 Mybatis3
      当两个实体具有1对1的对应关系时，可以使用One-To-One的进行映射关联查询   One-To-One示例数据 以学生表Student和地址信息表为例，每个学生都有都有1个唯一的地址(现实中，这种对应关系是不合适的，因为人和地址是多对一的关系)，这里只是演示目的   学生表   CREATE TABLE STUDENTS (
  • C/C++图片或文件的读写 bitcarter 写图片
    先看代码： /*strTmpResult是文件或图片字符串 * filePath文件需要写入的地址或路径 */ int writeFile(std::string &strTmpResult,std::string &filePath) { int i,len = strTmpResult.length(); unsigned cha
  • nginx自定义指定加载配置 ronin47
    进入 /usr/local/nginx/conf/include 目录，创建 nginx.node.conf 文件，在里面输入如下代码： upstream nodejs { server 127.0.0.1:3000; #server 127.0.0.1:3001; keepalive 64; } server { liste
  • java-71-数值的整数次方.实现函数double Power(double base, int exponent)，求base的exponent次方 bylijinnan double
    public class Power { /** *Q71-数值的整数次方 *实现函数double Power(double base, int exponent)，求base的exponent次方。不需要考虑溢出。 */ private static boolean InvalidInput=false; public static void main(
  • Android四大组件的理解 Cb123456 android四大组件的理解
     分享一下，今天在Android开发文档-开发者指南中看到的:                            App components are the essential building blocks of an Android
  • [宇宙与计算]涡旋场计算与拓扑分析 comsci 计算
         怎么阐述我这个理论呢？ 。。。。。。。。。       首先： 宇宙是一个非线性的拓扑结构与涡旋轨道时空的统一体。。。。       我们要在宇宙中寻找到一个适合人类居住的行星，时间非常重要，早一个刻度和晚一个刻度，这颗行星的
  • 同一个Tomcat不同Web应用之间共享会话Session cwqcwqmax9 session
    实现两个WEB之间通过session 共享数据 查看tomcat 关于 HTTP Connector 中有个emptySessionPath 其解释如下： If set to true, all paths for session cookies will be set to /. This can be useful for portlet specification impleme
  • springmvc Spring3 MVC，ajax，乱码 dashuaifu springjquerymvcAjax
      springmvc Spring3 MVC @ResponseBody返回，jquery ajax调用中文乱码问题解决   Spring3.0 MVC @ResponseBody 的作用是把返回值直接写到HTTP response body里。具体实现AnnotationMethodHandlerAdapter类handleResponseBody方法，具体实
  • 搭建WAMP环境 dcj3sjt126com wamp
    这里先解释一下WAMP是什么意思。W:windows，A：Apache，M：MYSQL，P：PHP。也就是说本文说明的是在windows系统下搭建以apache做服务器、MYSQL为数据库的PHP开发环境。      工欲善其事，必须先利其器。因为笔者的系统是WinXP，所以下文指的系统均为此系统。笔者所使用的Apache版本为apache_2.2.11-
  • yii2 使用raw http request dcj3sjt126com http
    Parses a raw HTTP request using yii\helpers\Json::decode()   To enable parsing for JSON requests you can configure yii\web\Request::$parsers using this class: 'request' =&g
  • Quartz-1.8.6 理论部分 eksliang quartz
    转载请出自出处：http://eksliang.iteye.com/blog/2207691 一.概述 基于Quartz-1.8.6进行学习，因为Quartz2.0以后的API发生的非常大的变化，统一采用了build模式进行构建； 什么是quartz?   答：简单的说他是一个开源的java作业调度框架，为在 Java 应用程序中进行作业调度提供了简单却强大的机制。并且还能和Sp
  • 什么是POJO？ gupeng_ie javaPOJO框架Hibernate
    POJO--Plain Old Java Objects(简单的java对象)   POJO是一个简单的、正规Java对象，它不包含业务逻辑处理或持久化逻辑等，也不是JavaBean、EntityBean等，不具有任何特殊角色和不继承或不实现任何其它Java框架的类或接口。   POJO对象有时也被称为Data对象，大量应用于表现现实中的对象。如果项目中使用了Hiber
  • jQuery网站顶部定时折叠广告 ini JavaScripthtmljqueryWebcss
    效果体验：http://hovertree.com/texiao/jquery/4.htmHTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>网页顶部定时收起广告jQuery特效 - HoverTree<
  • Spring boot内嵌的tomcat启动失败 kane_xie spring boot
    根据这篇guide创建了一个简单的spring boot应用，能运行且成功的访问。但移植到现有项目（基于hbase）中的时候，却报出以下错误：     SEVERE: A child container failed during start java.util.concurrent.ExecutionException: org.apache.catalina.Lif
  • leetcode: sort list michelle_0916 Algorithmlinked listsort
    Sort a linked list in O(n log n) time using constant space complexity. ====analysis======= mergeSort for singly-linked list  ====code=======   /** * Definition for sin
  • nginx的安装与配置,中途遇到问题的解决 qifeifei nginx
    我使用的是ubuntu13.04系统，在安装nginx的时候遇到如下几个问题，然后找思路解决的，nginx 的下载与安装   wget http://nginx.org/download/nginx-1.0.11.tar.gz tar zxvf nginx-1.0.11.tar.gz ./configure make make install   安装的时候出现
  • 用枚举来处理java自定义异常 tcrct javaenumexception
    在系统开发过程中，总少不免要自己处理一些异常信息，然后将异常信息变成友好的提示返回到客户端的这样一个过程，之前都是new一个自定义的异常，当然这个所谓的自定义异常也是继承RuntimeException的，但这样往往会造成异常信息说明不一致的情况，所以就想到了用枚举来解决的办法。 1，先创建一个接口，里面有两个方法，一个是getCode, 一个是getMessage public
  • erlang supervisor分析 wudixiaotie erlang
    当我们给supervisor指定需要创建的子进程的时候，会指定M,F,A,如果是simple_one_for_one的策略的话，启动子进程的方式是supervisor:start_child(SupName, OtherArgs),这种方式可以根据调用者的需求传不同的参数给需要启动的子进程的方法。和最初的参数合并成一个数组，A ++ OtherArgs。那么这个时候就有个问题了，既然参数不一致，那
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他