Day06 Hive表的管理和SQL基础使用
Day06 Hive表的管理和SQL基础使用
一、管理表（内部表）
1. 理论
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(例如，/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。
2. 案例实操
-
原始数据
1001 ss1 1002 ss2 1003 ss3 1004 ss4 1005 ss5 1006 ss6 1007 ss7 1008 ss8 1009 ss9 1010 ss10 1011 ss11 1012 ss12 1013 ss13 1014 ss14 1015 ss15 1016 ss16 -
普通创建表
create table if not exists student( id int, name string ) row format delimited fields terminated by '\t' stored as textfile location '/user/hive/warehouse/student'; -
根据查询结果建表（查询的结果会添加到新创建的表中）
create table if not exists student2 as select id, name from student; -
查询表的类型
desc formatted student;
二、外部表
1. 理论
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。
2. 内部表和外部表的使用场景
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进入内部表。
3. 案例实操
分别创建部门和员工外部表，并向表中导入数据。
-
原始数据
dept：
10 ACCOUNTING 1700 20 RESEARCH 1800 30 SALES 1900 40 OPERATIONS 1700emp:
7369 SMITH CLERK 7902 1980-12-17 800.00 20 7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30 7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 30 7566 JONES MANAGER 7839 1981-4-2 2975.00 20 7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30 7698 BLAKE MANAGER 7839 1981-5-1 2850.00 30 7782 CLARK MANAGER 7839 1981-6-9 2450.00 10 7788 SCOTT ANALYST 7566 1987-4-19 3000.00 20 7839 KING PRESIDENT 1981-11-17 5000.00 10 7844 TURNER SALESMAN 7698 1981-9-8 1500.00 0.00 30 7876 ADAMS CLERK 7788 1987-5-23 1100.00 20 7900 JAMES CLERK 7698 1981-12-3 950.00 30 7902 FORD ANALYST 7566 1981-12-3 3000.00 20 7934 MILLER CLERK 7782 1982-1-23 1300.00 10 -
上传数据（可以在hive中用dfs，也可以在外用hadoop fs）
hive (default)> dfs -mkdir /student; hive (default)> dfs -put /opt/module/datas/student.txt /student; -
创建外部表
部门表
create external table if not exists dept( deptno int, dname string, loc int ) row format delimited fields terminated by '\t';员工表
create external table if not exists emp( empno int, ename string, job string, mgr int, hiredate string, sal double, comm double, deptno int) row format delimited fields terminated by '\t'; -
查看创建的表
show tables; -
查看表格式化数据
desc formatted dept; -
删除外部表
drop table detp;外部表删除后，hdfs中的数据还在，但是metadata中dept的元数据已被删除。
三、内部表与外部表的互相转换
1. 查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
2. 修改内部表student2为外部表
alter table student2 set tblproperties(‘EXTERNAL’=‘TRUE’);
3. 查询表的类型
hive (default)> desc formatted student2;
Table Type: EXTERNAL_TABLE
4. 修改外部表student2为内部表
alter table student2 set tblproperties(‘EXTERNAL’=‘FALSE’);
5. 查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
注意：(‘EXTERNAL’=‘TRUE’)和(‘EXTERNAL’=‘FALSE’)为固定写法，区分大小写！
四、数据导入
1. 向表中装载数据（Load）
- 语法
load data [local] inpath ‘数据的path’ [overwrite] into table student [partition (partcol1=val1,…)];
（1）load data:表示加载数据
（2）local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
（3）inpath:表示加载数据的路径
（4）overwrite:表示覆盖表中已有数据，否则表示追加
（5）into table:表示加载到哪张表
（6）student:表示具体的表
（7）partition:表示上传到指定分区
- 实操案例
（0）创建一张表
hive (default)> create table student(id string, name string) row format delimited fields terminated by ‘\t’;
（1）加载本地文件到hive
hive (default)> load data local inpath ‘/opt/module/hive/datas/student.txt’ into table default.student;
（2）加载HDFS文件到hive中
上传文件到HDFS
hive (default)> dfs -put /opt/module/hive/datas/student.txt /user/tgm/hive;
加载HDFS上数据
(default)> load data inpath ‘/user/tgm/hive/student.txt’ into table default.student;
（3）加载数据覆盖表中已有的数据
上传文件到HDFS
hive (default)> dfs -put /opt/module/datas/student.txt /user/tgm/hive;
加载数据覆盖表中已有的数据
hive (default)> load data inpath ‘/user/tgm/hive/student.txt’ overwrite into table default.student;
2. 通过查询语句向表中插入数据（Insert）
- 创建一张表
hive (default)> create table student_par(id int, name string) row format delimited fields terminated by ‘\t’;
- 基本插入数据
hive (default)> insert into table student_par values(1,‘wangwu’),(2,‘zhaoliu’);
- 基本模式插入（根据单张表查询结果
hive (default)> insert overwrite table student_par select id, name from student ;
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
- 多表（多分区）插入模式（根据多张表查询结果)
hive (default)> 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';
- 查询语句中创建表并加载数据As Select
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;
-
创建表时通过Location指定加载数据路径
(1)上传数据到hdfs上
hive (default)> dfs -mkdir /student;
hive (default)> dfs -put /opt/module/datas/student.txt /student;
(2)创建表，并指定在hdfs上的位置
hive (default)> create external table if not exists student5(
id int, name string
)
row format delimited fields terminated by '\t'
location '/student;
(3)查询数据
hive (default)> select * from student5;
3. Import数据到指定Hive表中
注意：先用export导出后，再将数据导入。
hive (default)> import table student2 from ‘/user/hive/warehouse/export/student’;
五、数据导出
1. Insert导出
- 将查询的结果导出到本地
hive (default)> insert overwrite local directory '/opt/module/hive/datas/export/student' select * from student;
- 将查询的结果格式化导出到本地
hive(default)>insert overwrite local directory '/opt/module/hive/datas/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)
hive (default)> insert overwrite directory '/user/tgm/student2' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;
2. Hadoop命令导出到本地
hive (default)> dfs -get /user/hive/warehouse/student/student.txt
/opt/module/datas/export/student3.txt;
3. Hive Shell命令导出
基本语法：（hive -f/-e 执行语句或者脚本 > file）
[tgm@hadoop101 hive]$ bin/hive -e 'select * from default.student;' >
/opt/module/hive/datas/export/student4.txt;
4. Export导出到HDFS上
(defahiveult)> export table default.student to
'/user/hive/warehouse/export/student';
export和import主要用于两个Hadoop平台集群之间Hive表迁移。
Sqoop导出
后续课程专门讲。
六、清除表中数据（Truncate）
注意：Truncate只能删除管理表，不能删除外部表中数据
hive (default)> truncate table student;
七、查询
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]
八、常用函数
- 求总行数（count）
hive (default)> select count(*) cnt from emp;
- 求工资的最大值（max）
hive (default)> select max(sal) max_sal from emp;
- 求工资的最小值（min）
hive (default)> select min(sal) min_sal from emp;
- 求工资的总和（sum）
hive (default)> select sum(sal) sum_sal from emp;
- 求工资的平均值（avg）
hive (default)> select avg(sal) avg_sal from emp;
九、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。
hive (default)> select * from emp limit 5;
hive (default)> select * from emp limit 2,3;
十、Where语句
-
使用WHERE子句，将不满足条件的行过滤掉
-
WHERE子句紧随FROM子句
-
案例实操**
查询出薪水大于1000的所有员工
hive (default)> select * from emp where sal >1000;
注意：where子句中不能使用字段别名。
十一、比价运算符
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’,可以位于开头，结尾或者字符串中间。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。 |
练习：
（1）查询出薪水等于5000的所有员工
（2）查询工资在500到1000的员工信息
（3）查询comm为空的所有员工信息
（4）查询工资是1500或5000的员工信息
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。
练习继续：
（5）查找名字以A开头的员工信息
（6）查找名字中第二个字母为A的员工信息
（7）查找名字中带有A的员工信息
十二、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 |
练习再继续：
（5）查询薪水大于1000，部门是30
（6）查询薪水大于1000，或者部门是30
（7）查询除了20部门和30部门以外的员工信息
十三、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。
练习再再继续：
（5）计算emp表每个部门的平均工资
（6）计算emp每个部门中每个岗位的最高薪水
十四、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。
练习再再再继续：
（5）求每个部门的平均薪水大于2000的部门
十五、等值Join
Hive支持通常的SQL JOIN语句。
案例实操
（1）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；
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
十六、表的别名
- 好处
（1）使用别名可以简化查询。
（2）使用表名前缀可以提高执行效率。
- 案例实操
合并员工表和部门表
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
十七、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。
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
十八、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。
hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;
十九、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。
hive (default)> select e.empno, e.ename, d.deptno from emp e right 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。
-
数据准备
1700 Beijing 1800 London 1900 Tokyo -
创建位置表
create table if not exists location( loc int, loc_name string ) row format delimited fields terminated by '\t'; -
导入数据
二十、笛卡尔积
- 笛卡尔积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
- 案例实操
hive (default)> select empno, dname from emp, dept;