1.4.3.7 Hive的查询操作

总目录:https://www.jianshu.com/p/e406a9bc93a9

Hadoop - 子目录：https://www.jianshu.com/p/9428e443b7fd

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]

基础查询

全局查询

全表查询

select * from emp;
使用*号来表示全部列。

全表查询

指定列查询

select ename,job from emp;

指定列查询

注意事项

（1）SQL 语言大小写不敏感。
（2）SQL 可以写在一行或者多行
（3）关键字不能被缩写也不能分行
（4）各子句一般要分行写。
（5）使用缩进提高语句的可读性。

别名

select empno as id,ename as name from emp;

别名

使用关键字 as紧跟需要别名的列。

limit语句

LIMIT 子句用于限制返回的行数。
select * from emp limit 5;

limit

常用函数

• count

  
  
  例子

• max

  
  
  例子

• min

  
  
  例子

• sum

  
  
  例子

• avg

  
  
  例子

运算符

算术运算符

常用算术运算符一览：

运算符	描述
A+B	A和B相加
A-B	A和B相加
A*B	A和B相加
A/B	A和B相加
A%B	A和B相加
A&B	A和B相加
A丨B	A和B相加
A^B	A和B相加
~B	A和B相加

select ename,sal*2 as sal from emp;

将所有员工工资翻倍

比较运算符

常用比较运算符一览：

运算符	支持的数据类型	描述
A=B	基础数据类型	如果 A 等于 B 则返回 TRUE，反之返回 FALSE
A<=>B	基础数据类型	如果 A 和 B 都为 NULL，则返回 TRUE，其他的和等号（=）操作符的结果一致，如果任一为 NULL 则结果为 NULL
A!=B,A<>B	基础数据类型	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	基础数据类型	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	基础数据类型	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	基础数据类型	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	基础数据类型	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	基础数据类型	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，如果 A 与其匹配的话，则返回 TRUE；反之返回 FALSE。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 是一个使用jdk正则接口实现的正则表达式，如果 A 与其匹配，则返回 TRUE；反之返回FALSE。

• 查询出薪水等于 5000 的所有员工
  select * from emp where sal =5000;
• 查询工资在 500 到 1000 的员工信息
  select * from emp where sal between 500 and 1000;
• 查询 comm 为空的所有员工信息
  select * from emp where comm is null;
• 查询工资是 1500 或 5000 的员工信息
  select * from emp where sal IN (1500, 5000);
• 查找以 2 开头薪水的员工信息
  select * from emp where sal LIKE '2%';
• 查找薪水中含有 2 的员工信息
  select * from emp where sal RLIKE '[2]';

逻辑运算符

常用逻辑运算符一览：

运算符	描述
AND	并
OR	或
NOT	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);

join操作

等值Join

Hive 支持通常的 SQL JOIN 语句，但是只支持等值连接，不支持非等值连接。

• 根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称
  select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
  

内连接

内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。
select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

左外连接

左外连接：JOIN 操作符左边表中符合 WHERE 子句的所有记录将会被返回。
select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

右外连接

右外连接：JOIN 操作符右边表中符合 WHERE 子句的所有记录将会被返回。
select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

满外连接

满外连接：将会返回所有表中符合 WHERE 语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用 NULL 值替代。
select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

多表连接

注意：连接 n 个表，至少需要 n-1 个连接条件。例如：连接三个表，至少需要两个连接条件。
SELECT a.name, b.age, c.gender FROM a1 a JOIN b1 b ON b.deptno = a.deptno JOIN c1 c ON c.loc = c.loc;

分组查询

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。

• 计算 emp 表每个部门的平均工资
  select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
  

• 计算 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;
  

Having语句

having和where的不同点：
（1）where 针对表中的列发挥作用，查询数据；having 针对查询结果中的列发挥作用，
筛选数据。
（2）where 后面不能写聚合函数，而 having 后面可以使用聚合函数。
（3）having 只用于 group by 分组统计语句。

• 求每个部门的平均薪水大于 2000 的部门
  select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;
  

排序

ORDER BY语句

• 查询员工信息按工资升序排列
  select * from emp order by sal;
  

• 查询员工信息按工资降序排列
  select * from emp order by sal desc;
  

多列排序

select ename, deptno, sal from emp order by deptno, sal ;

Sort By语句

Sort By：每个 Reducer 内部进行排序，对全局结果集来说不是排序。
首先我们要设置一下reduce的数量。
set mapreduce.job.reduces=3;
当然，我们也可以查看当前设置的reduce数量。
set mapreduce.job.reduces;

随便查询一下
select * from emp sort by empno desc;

reduce是分了三个阶段。

截图的第一行中，map数量1，reduce数量3。

Distribute By语句

Distribute By：类似 MR 中 partition，进行分区，结合 sort by 使用。

• 先按照部门编号分区，再按照员工编号降序排序。
  select * from emp distribute by deptno sort by empno desc;
  

Cluster By语句

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。
比如下面两种写法是等价的。
select * from emp cluster by deptno;
select * from emp distribute by deptno sort by deptno;

分桶

分桶表

• 创建分桶表

create table stu_buck(id int, name string)
clustered by(id) into 4 buckets
row format delimited fields terminated by '\t';

• 创建个普通表

create table stu(id int, name string)
row format delimited fields terminated by '\t';

• 导入数据

load data local inpath '/usr/hdk/student.txt' into table stu;

数据集关注微信公众号hx_bigdata,回复1437.

• 设置两个属性

set hive.enforce.bucketing=true;
set mapreduce.job.reduces=-1;

• 子查询导入数据

insert into table stu_buck select id, name from stu;

四个桶

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 可以通过对表进行抽样来满足这个需求。
语法：TABLESAMPLE(BUCKET x OUT OF y)
y 必须是 table 总 bucket 数的倍数或者因子。hive 根据 y 的大小，决定抽样的比例。
例如，table 总共分了 4 份，当 y=2 时，抽取(4/2=)2 个 bucket 的数据，当 y=8 时，抽取(4/8=)1/2
个 bucket 的数据。
x 表示从哪个 bucket 开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。
例如，table 总 bucket 数为 4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2 个bucket 的数据，抽取第 1(x)个和第 3(x+y)个 bucket 的数据。

• 抽取一个桶
  select * from stu_buck tablesample(bucket 1 out of 4 on id);