这是我的CSDN博客:https://blog.csdn.net/u014532291/article/details/105853787
库操作
创建数据库
-- 创建一个数据库,在HDFS上的默认路径为/user/hive/warehouse/*.db
create database mydatabase;
-- 可以使用if exists判断数据库是否已存在(存在则不创建)
create database if not exists mydatabase;
-- 创建一个数据库,并指定其存放路径
create database mydatabase location '/mydatabase.db';
-- 创建一个数据库,指定一个已存在的文件夹(my)作为数据库内容的存放位置
create database mydatabase location '/databases/my/';
查询数据库
-- 显示所有数据库
show databases;
-- 模糊搜索
show databases like 'my*';
-- 查看信息
desc database mydatabase;
-- 查看详细信息
desc database extended mydatabase;
-- 切换当前数据库
use mydatabase;
修改数据库
可以修改一些其他的附加信息,不能修改元数据信息
-- 给数据库添加信息
alter database mydatabase set dbproperties('createtime'='202003');
-- 查看上述添加的信息
desc database extended mydatabase;
删除数据库
-- 删除一个空的数据库
drop database mydatabase;
-- 最好使用if exists判断数据库是否存在
drop database if exists mydatabase;
-- 如果数据库不为空,可以采用cascade命令强制删除
drop database mydatabase cascade;
表操作
创建表
-- 创建一张表
create table student(id int, name string);
-- 创建一张外部表
create external table student(id int, name string);
-- 创建表并设置表中数据的分隔符(以制表符为例)
create table student(id int, name string)
row format delimited fields terminated by '\t';
-- 创建表并设置表中数组数据的分隔符(以制表符为例)
create table student(id int, name string)
collection items terminated by "\t" ;
查看表
-- 查看当前数据库中的所有表
show tables;
修改表
-- 重命名表
alter table student rename to new_student;
-- 添加列(添加的列在分区字段之前,括号中使用逗号分隔添加多列)
alter table student add columns(gender string);
-- 更新列信息(旧字段名,新字段名,新字段类型都要写)
alter table student change column name name2 string;
-- 替换表中所有字段(将所有字段合并替换为一个字段)
alter table student replace columns(replace string);
删除表
drop table student;
内部表(管理表)和外部表
两者的区别
删除时,内部表把元数据和具体数据都删除,而外部表只删除元数据。
互相转换
注意:这里区分大小写,括号中的内容要大写!
如果不是大写,该属性会变成普通的附加属性。
-- 转为外部表
alter table student set tblproperties('EXTERNAL'='TRUE');
-- 转为内部表
alter table student set tblproperties('EXTERNAL'='FALSE');
分区表
分区在HDFS上对应一个独立的文件夹,属于元数据,但用法相当于一个字段,可以用来过滤
创建分区表
-- 创建一个表,并设置以"month"字段分区
create table student(id int, name string)
partitioned by(month string);
-- 创建二级分区表
create table student(id int, name string)
partitioned by(month string, day string)
添加分区
-- 往分区表里添加一个分区
alter table student add partition(month='202003');
-- 往分区表里添加多个分区(以空格隔开)
alter table student add partition(month='202003') partition(month='202003');
往分区表中添加数据
-- 加上关键字partition(...)指定分区即可;如果没有该分区,则自动新建
load data local inpath'/opt/file.txt' into student partition(month='202003');
insert into student partition(month='202003') values(1,'abc');
查询分区表数据
-- 通过分区查找数据
select * from student where month='202003';
select * from student where month='202003' and day='01';
删除分区
-- 删除一个分区表里的分区
alter table student drop partition(month='202003');
-- 删除多个分区表里的分区(以逗号隔开)
alter table student drop partition(month='202003'),partition(month='202003');
查看分区
-- 显示所有分区
show partitions student;
修复分区
如果数据是通过HDFS直接上传到分区目录,如果分区没定义,则会查询不到刚上传的数据
-- 修复命令
msck repair table student;
-- 也可以直接让此目录成为分区目录(这里以month='20200316'为例)
alter table student add partition(month='20200316');
数据操作
数据导入
Load导入
-- 本地文件导入Hive表
load data local inputpath '/opt/student.txt' into table student;
-- HDFS文件导入Hive表(相当于移动文件到数据库所在的文件夹)
load data inputpath '/student.txt' into table student;
-- 也可以直接移动文件至HDFS中的Hive表目录下
hadoop fs -put student.txt /user/hive/warehouse/student
-- 导入,并覆盖所有表中数据
load data local inputpath '/opt/student.txt' overwrite into table student;
-- 建表时通过Location指定加载数据路径(文件夹)
create table student(id int, name string)
row format delimited fields terminated by '\t'
location '/dir';
Insert插入
-- 直接添加一条记录
insert into table student values(1,'abc');
-- 添加,并覆盖所有表中数据
insert overwrite table student values(1,'abc');
Import导入
只能导入被export导出的文件
-- 通过import导入数据
import table student2 from '/export/student';
数据查询
基本查询
-- 查询表中所有数据
select * from student;
-- 查询表中指定列数据
select id, name from student;
-- 将查询到的结果插入到其他表
insert into student2 select * from student;
-- 以查询到的结果创建新表
create table student2 as select id, name from student;
-- 以列别名显示(as可不写),使用别名还可以提升性能
select id as sid, name as sname from student;
-- 将查询到的id值加100后显示
select id+100 from student;
-- 常用函数(计数:count, 最大值:max, 最小值:min, 求和:sum, 平均数:avg)
select count(*) from student;
-- Limit语句用于限制返回的行数
select * from student limit 3;
-- Where语句用于过滤
select * from student where id = 1;
Floor 取整
-- 对123.123取整,结果为123
select floor(123.123)
Like 和 Rlike
like: 选择类似的值
% 代表零个或多个字符(任意个字符)。
_ 代表一个字符。rlike: Java的正则匹配
-- 查询姓“小”开头的学生
select * from student where name like '小%';
-- 查询姓名以“小”开头的学生,并且名字只有两个字
select * from student where name like '小_';
-- 查询age字段中只包含数字的那些记录
select * from student where age rlike '\\d+';
Distinct 去重
会将数据放入同一个Reducer,可能会报内存溢出,数据量大时慎用
-- 无论这个年龄段人数有多少,去重后只显示1个
select age,count(distinct age) from mydatabase.student group by age;
Group By 分组查询
-- 以字段age分组,配合count使用显示每组的个数
select age,count(*) from student group by age;
-- 以字段grade分组,配合avg使用显示每组age的平均数
select grade,avg(age) from student group by grade;
-- 先以age分组,再以gender分组,统计每个年龄段男女人数
select count(gender) from student group by age,gender;
Having 语句
where:对表中的列发挥作用,不可跟聚合函数
having:对查询结果中的列发挥作用,相当于二次筛选,可跟聚合函数,只能用于group byf分组统计语句
-- 以字段grade分组,显示age平均值大于18的grade
select grade from student group by grade having avg(age)>18;
Join 语句
只支持等值连接,不支持非等值连接
-- 假设有两张表:dept部门表和employee员工表
-- 内连接(只有都存在的数据才会显示)
-- 查询员工表和部门表编号相同的数据,并显示员工名字和部门名称
select employee.name,dept.name from employee join dept on dept.d_id=employee.d_id;
-- 左外连接(显示所有左表中有的数据)
select employee.name,dept.name from employee left join dept on dept.d_id=employee.d_id;
-- 右外连接(显示所有右表中有的数据)
select employee.name,dept.name from employee right join dept on dept.d_id=employee.d_id;
-- 满外连接(显示所有数据,不匹配的值使用NULL值代替)
select employee.name,dept.name from employee full join dept on dept.d_id=employee.d_id;
常用查询函数
NVL 空字段赋值
NVL(string1, replace_with)
如果string1为NULL,该函数返回replace_with的值,否则返回string1的值
-- 如果age为null,用18代替
select nvl(age,18) from student;
-- 替换的参数可以是字段,如果age为null,用id值代替
select nvl(age,id) from student;
时间类
Date_format
格式化时间 ,注意:只能匹配横杆 "-"
select date_format('2020-03-19','yyyy-MM-dd HH:mm:ss');
-- 结果: 2020-03-19 00:00:00
Date_add
时间跟天数相加,天数可以为负
select date_add('2020-03-19', 10);
-- 结果: 2020-03-29
Date_sub
时间跟天数相减,天数可以为负
select date_sub('2020-03-19', 10);
-- 结果: 2020-03-09
Datediff
两个时间相减,结果为天数,注意:是参数1 - 参数2
时分秒不影响最后的结果
select datediff('2020-03-19', '2020-03-29');
-- 结果: -10
select datediff('2020-03-29', '2020-03-19');
-- 结果: 10
select datediff('2020-03-29 13:13:13','2020-03-19 12:12:12');
-- 结果: 10
CASE WHEN 语句
-- 判断,如果gender为'男'或'女',分别设置1,最后统计每个年龄段男女人数
select
age,
sum(case gender when '男' then 1 else 0 end) male_count,
sum(case gender when '女' then 1 else 0 end) female_count
from student group by age;
IF 语句
-- 以下代码等价于上面的case when
select
age,
sum(if(gender='男',1,0)) male_count,
sum(if(gender='女',1,0)) female_count
from student group by age;
行转列
Concat
concat(string1/col, string2/col, ...)
输入任意个字符串(或字段,可以为int类型等),返回拼接后的结果
select concat(id,'-',name,'-',age) from student;
Concat_ws
concat_ws(separator, str1, str2, ...)
特殊形式的concat(),参数只能为字符串,第一个参数为后面参数的分隔符
select concat_ws('-', name, gender) from student;
Collect_set
collect_set(col)
将某字段进行去重处理,返回array类型;该函数只接受基本数据类型
select collect_set(age) from student;
列转行
Explode
explode(col)
将一列中复杂的array或map结构拆分成多行
-- 将上面collect_set后的结果使用explode拆分
select explode(ages)
from (select collect_set(age) as ages from student ) as n1;
Lateral View
LATERAL VIEW udtf(expression) tableAlias AS columnAlias
配合split, explode等UDTF一起使用,它能够将一列数据拆成多行数据,并且对拆分后的结果进行聚合
-- 假设有如下movies表,字段名分别为movie(string)和category(array)
-- movie category
--《疑犯追踪》 悬疑,动作,科幻,剧情
--《海豹突击队》 动作,剧情,罪案
--《战狼2》 战争,动作,灾难
select movie, cate
from movies
lateral view explode(category) tmp_table as cate;
-- 结果:
--《疑犯追踪》 悬疑
--《疑犯追踪》 动作
--《疑犯追踪》 科幻
--《疑犯追踪》 剧情
--《海豹突击队》 动作
-- ...
窗口函数
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化而变化,
注意:该函数会对结果数据产生影响(比如在over(order by id)中排序后,结果也会被排序)
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;
LAG(col,n):往前第 n 行数据;
LEAD(col,n):往后第 n 行数据;
NTILE(n):把有序分区中的行分发到指定数据的组中,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。
-- 几个参数的固定格式写法
-- 计算从当前行开始计算[2,4]行的gender数量
select *,count(gender) over(rows between 2 following and 4 following) from student;
假设有如下business表
name orderdate cost
------------------
jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94
------------------
需求
(1)查询在 2017 年 4 月份购买过的顾客及总人数
(2)查询顾客的购买明细及月购买总额
(3)上述的场景,要将 cost 按照日期进行累加
(4)上述的场景,分别累加每个用户每个月的开销
(5)查询顾客上次的购买时间
(6)查询前20%时间的订单信息
-
查询在 2017 年 4 月份购买过的顾客及总人数
select name, count(*) over() as all_person from business where date_format(orderdate,'yyyy-MM')='2017-04' group by name;
-
查询顾客的购买明细及该用户月购买总额
select name, orderdate, date_format(orderdate,'yyyy-MM') this_month, cost, sum(cost) over(distribute by name, date_format(orderdate,'yyyy-MM')) as this_user_this_month_sum from business;
-
上述的场景,要将 cost 按照日期进行累加
select name, orderdate, cost, sum(cost) over(distribute by name sort by orderdate) from business;
-
上述的场景,分别累加每个用户每个月的开销
select name, orderdate, cost, sum(cost) over(distribute by name,month(orderdate) sort by day(orderdate)) from business;
-
查询顾客上次的购买时间
-- lag的第三个参数:如果没有找到数据,用该参数代替,否则为NULL select name, orderdate, cost, lag(orderdate,1,'0000-00-00') over(distribute by name sort by orderdate) from business;
-
查询前20%时间的订单信息
-- 使用ntile函数分组实现该操作 select * from ( select name, orderdate, cost, ntile(5) over(order by orderdate) as sorted from business ) as tmp_table where sorted = 1;
Rank 排序
该函数配合OVER()使用
RANK() 排序相同时会重复,总数不会变
DENSE_RANK() 排序相同时会重复,总数会减少
ROW_NUMBER() 会根据顺序计算
假设有如下score表
name subject score
--------------------
小明 语文 87
小明 数学 95
小明 英语 68
小绿 语文 94
小绿 数学 56
小绿 英语 84
小红 语文 64
小红 数学 86
小红 英语 84
小蓝 语文 65
小蓝 数学 85
小蓝 英语 78
---------------------
-- 需求:计算每门学科成绩排名。
select
*,
rank() over(distribute by subject sort by score desc),
dense_rank() over(distribute by subject sort by score desc),
row_number() over(distribute by subject sort by score desc)
from score;
Regexp_replace 正则替换
regexp_replace(string A, string B, replace)
将字符串A中的符合JAVA正则表达式B的部分替换为replace。
注意,在有些情况下要使用转义字符
-- 将字符串中的“/”替换为“-”
select regexp_replace('2020/03/21','/','-');
-- 结果:2020-03-21
数据排序
Order By 全局排序
整张表的排序,只有一个Reducer
-- 将数据按id值升序排序(默认升序,可以不写asc)
select * from student order by id asc;
-- 将数据按id值降序排序
select * from student order by id desc;
Sort By 内部排序
对每个Reducer进行排序,不影响全局结果集
直接使用会将结果平均分配给每个文件(避免数据倾斜)
一般配合Distribute By使用
-- 先设置reduce个数
set mapreduce.job.reduces=3;
-- 直接查看结果,看不出变化
select * from student sort by id;
-- 将排序结果导出到文件
insert overwrite local directory '/opt/datas/sort-out'
select * from student sort by id;
Distribute By 分区排序
类似MapReduce中的Partition分区,一般配合Sort By排序使用
需要分配多个reduce才能看到效果
注意:该语句需要写在 Sort By 语句之前!
-- 先设置reduce的个数
set mapreduce.job.reduces=3;
-- 先按照id值分区,再按照age值升序排序
insert overwrite local directory '/opt/datas/dis-out'
select * from student distribute by id sort by age;
Cluster By 排序
当 Distribute By 和 Sort By 字段相同时,可以使用 Cluster By 方式
该排序只能是升序排序
-- 以下两种写法等价
select * from student cluster by grade;
select * from student distribute by grade sort by grade;
分桶和抽样查询
分区针对的是数据的存储路径,分桶针对的是数据文件
创建分桶表
-- 创建分桶表
create table studentbucket (id int, name string, age int)
clustered by (id) into 4 buckets
row format delimited fields terminated by '\t';
-- 可以查看表结构获取bucket数量
desc formatted studentbucket;
在导入数据之前,要先设置一些属性
-- 开启分桶功能
set hive.enforce.bucketing=true;
-- 设置reduce个数为-1,会自动根据桶个数决定reduce数
set mapreduce.job.reduces=-1;
插入数据
-- 因为需要分区,所以要走mr任务的形式插入数据
-- 注意:load方法不走mr任务
-- 所以这里使用select其他表的数据进行插入
insert into table studentbucket select * from student;
分桶表抽样查询
抽样语法:TABLESAMPLE(BUCKET x OUT OF y)
注意:x的值必须小于等于y的值!
含义:x表示从哪个bucket开始抽取,
y表示总共抽取 (bucket数量 / y) 个bucket的数据,每隔一个y取下一个bucket
-- 抽样查询
-- 这里是从bucket1开始抽取一个bucket数量(4/4=1)的数据
select * from studentbucket tablesample(bucket 1 out of 4 on id);
-- 这里是从bucket1开始抽取2个bucket(第x=1和第x+y=3个bucket)的数据
select * from studentbucket tablesample(bucket 1 out of 2 on id);
数据导出
Insert 导出
-- 将查询的结果导出到本地
insert overwrite local directory '/opt/datas' select * from student;
-- 将查询的结果导出到本地,并按'\t'分割
insert overwrite local directory '/opt/datas'
row format delimited fields terminated by '\t'
select * from student;
-- 将查询的结果导出到HDFS
insert overwrite directory '/opt/datas' select * from student;
Hadoop 命令导出
# 直接将HDFS的文件直接发送到本地
hadoop fs -get /user/hive/warehouse/student /opt/datas
Hive Shell 命令导出
# 通过linux中的重定向符将查询结果导出到文件
bin/hive -e "select * from student" > /opt/datas/student.txt;
Export 导出
-- 通过export导出至HDFS,并且保存了元数据
export table student to '/export/student';
数据删除
Truncate 删除
清空表中数据,只能删除内部表,不能删除外部表中的数据
-- 使用truncate清空表中数据
truncate table student;
函数
系统内置函数
-- 查看系统内置函数
show functions;
-- 查看系统内置函数的用法(split为例)
desc function split;
-- 查看系统内置函数的详细信息(split为例)
desc function extended split;
自定义函数
UDF
User-Defined-Function
一进一出
如:split,datediff
继承 org.apache.hadoop.ql.exec.UDF
实现 evaluate 方法
UDAF
User-Defined Aggregation Function
聚集函数,多进一出
类似:count/max/min
UDTF
User-Defined Table-Generating Functions
一进多出
如:lateral view explore()
继承 org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
实现三个方法 initialize,process,close
编程步骤
继承org.apache.hadoop.ql.exec.UDF
需要实现 evaluate 函数;evaluate 函数支持重载;
-
在 hive 的命令行窗口创建函数
-
添加 jar包
add jar linux_jar_path
-
创建 function
create [temporary] function [dbname.]function_name AS class_name;
-
-
在 hive 的命令行窗口删除函数
Drop [temporary] function [if exists] [dbname.]function_name;
-
注意事项
UDF 必须要有返回类型,可以返回 null,但是返回类型不能为 void;
Maven依赖
org.apache.hive
hive-exec
1.2.1