hive 修改cluster by算法_疯狂Hive之DML操作（四）

DML操作

Load

在将数据加载到表中时，Hive不会进行任何转换。加载操作是将数据文件移动到与Hive表对应的位置的纯复制、移动操作。

语法结构：

load data [local] inpath ‘filepath’ [overwrite] into table tablename [partition(par2=val1,par2=val2......)]

说明：

1、filepath

相对路径：如project/data1

绝对路径：如/user/hive/project/data1

完整URI：如hdsf://namenode:9000/user/hive/project/data1

filepath可以引用一个文件（在这种情况下，Hive将文件移动到表中），或者它可以是一个目录（在这种情况下，Hive将把该目录中的所有文件移动到表中）

1. Local

如果指定了local,load命令将在本地文件系统中查找文件路径

load命令会将filepath中的文件复制到目录文件系统中。目标文件系统由表的位置属性决定。被复制的数据文件移动到表的数据对应的位置

如果没有指定local关键字，如果filepath指向的是一个完整的URI,Hive会直接使用这个URI.否则：如果没有指定schema或者authority，Hive会使用在hadoop配置文件中定义的schema和authority，fs.default.name制定了Namenode的URI

1. Overwrite

如果使用了overwrite关键字，则目标表（或者分区）中的内容会被删除，然后再将filepath指向的文件或目录中的内容添加到表或者分区中

如果目标表（分区）已经有一个文件，并且文件名和filepath中的文件名冲突，那么现有的文件会被新文件所替代

Insert

Hive中insert主要是结合select查询语句使用，将查询结果插入到表中，例如：

insert overwrite table stu_buck

select * from student cluster by (sno);

需要保证查询结果的数目和需要插入数据表格的列数目一致

如果查询出来的数据类型和插入表格对应的列数据类型不一致，将会进行转换，但还是不能保证装换一定成功，转换失败的数据将会为null

可以将一个查询出来的数据插入到原表中，结果相当于自我复制了一份数据。

Multi inserts多重插入

form source_table

insert overerite table tablename1 [partition (par1=val1,par2=val2.......)]

select_statement1

insert overerite table tablename2 [partition (par1=val1,par2=val2.......)]

select_statement1.....

多重插入

创建三张表，如下

create table source_table (id int,name string) row format delimited fields terminated by ',';

create table test_insert1(id int) row format delimited fields terminated by ',';

create table test_insert2(name string) row format delimited fields terminated by ',';

给source_table创建数据，新建文件source.txt,在文件中编写如下数据

加载数据

命令：load data local inpath '/root/hivedata/source.txt' into table source_table;

执行多重插入

from source_table

insert overwrite table test_insert1

select id

insert overwrite table test_insert2

select name;

Dynamic partition inserts动态分区插入

语法：insert overwrite table tablename partition (par1=val1,par2=val2......) select_statement from from_statement;

动态分区是通过位置来对应分区值的。原始select出来的值和输出partition的值的挂你仅仅是通过位置来确定的，和名字并没有关系

动态分区插入

set hive.exec.dynamic.partition=true; #是否开启动态分区功能，默认是false关闭

set hive.exec.dynamic.partition.mode=nonstrict; #动态分区模式，默认是static，表示必须指定至少一个动态分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区

需求

将dynamic_partition_table中的数据按照时间（day）,插入到目标表d_p_t的相应分区中

原始表

create table dynamic_partition_table (day string,ip string) row format delimited fields terminated by ',';

数据信息

2020-05-10,ip1

2020-05-10,ip2

2020-05-12,ip3

2020-05-12,ip4

2020-06-13,ip3

2020-06-14,ip1

2020-06-15,ip2

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

目标表

create table d_p_t(ip string) partitioned by (month string,day string);

动态插入

insert overwrite table d_p_t partition (month,day)

select ip,substr (day,1,7) as month,day

from dynamic_partition_table;

导出表数据

语法结构：

insert overwrite [local] directory directory1 select.....form.....

multiple inserts:

from form_statement

insert overwrite [local] directory directory1 select_statement1

[insert overwrite [local] directory directory1 select_statement1].....

数据写入到文件系统时进行文本序列化，且每列用^A来区分，n为换行符

查询结果导出到文件系统

将查询的结果保存到指定的文件目录（可以是本地，也可以是HDFS）

需求：将Hive中source_table中数据导入到node01上的hive目录下

创建hive目录：mkdir hive

insert overwrite local directory '/root/hive'

select * from source_table;

执行完成查看是否有数据导出

需求：将Hive中source_table中数据导入到HDFS上的gw目录下

insert overwrite directory '/gw'

select * from source_table;

执行完成查看是否有数据导出

Select

基本的select操作

语法结构

Select [all | distinct] select_expr,select_expr,.....

Form table_reference

Join table_other on expr

[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]

说明：

1. order by会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大 时，需要较长的计算时间
2. sort by 不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by 进行排序，并且设置mapred.reduce.tasks>1,则sort by只保证每个reducer的 输出有序，不保证全局有序
3. Distrubute by(字段) 根据指定字段将数据分到不同的reducer，分发算法是 hash散列。
4. Cluster by(字段) 除了具有distribute by的功能，还会度该字段进行排序。

如果distribute和sort的字段是用一个时，此时，cluster by = distribute by + sort by

分桶、排序查询

select * from student cluster by(sno);

如下语句会报错，应为cluster和sort不能共存

select * from student cluster by(sno) sort by (sage asc);

对某列进行分桶的同时，根据另一个进行排序

select * from student distribute by(sno) sort by(sage asc);

总结

cluster(分且排序，必须一样)==distribute(分) + sort(排序)（可以不一样）

Hive join操作

Hive中除了支持和传统数据库中一样的内关联、左关联、右关联、全关联，还支持left semi join 和cross join,但是两种join类型也可以用前面的代替

Hive支持等值连接（a.id=b.id），不支持非等值（a.id>b.id）的连接，因为非等值连接非常男转化到map/reduce任务。另外，Hive支持多2个以上表之间的join

写join查询时，需要注意一下几点：

join时，每次map/reduce任务的逻辑：

Reduce会缓存join序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在reduce端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则或因为缓存浪费大量内存）

left,right和full outer关键字用于处理join中空记录的情况

对应所有a变中的记录都有一条记录输出。输出的结果应该是a.val,b.val，当a.key=b.key时，而当b.key中找不到等值的a.key记录时也会输出：

a.val，null

所以a表中的所有记录都被保留了

a right outer join b 会保留所有b表的记录

准备数据

a表数据

1,a

2,b

3,c

4,d

7,y

8,u

b表数据

2,bb

3,cc

7,yy

9,pp

建表

create table a(id int,name string) row format delimited fields terminated by ',';

create table b(id int,name string) row format delimited fields terminated by ',';

导入数据

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

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

实验

设置Hive本地模式执行,提高执行效率

set hive.exec.mode.local.auto=true;

内关联:inner join

select * fro a inner join b on a.id = b.id

左关联:left join

select * from a left join b on a.id=b.id;

右关联:right join

select * from a right join b on a.id=b.id;

全关联:full outer join

select * from a full outer join b on a.id=b.id;

Hive中的特别join

select * from a left semi join b on a.id=b.id