HIVE----工作常用知识点

Hive中常用的交互式命令

hive -help 查看交互式命令
hive -e 不进入hive的交互窗口执行sql语句;
hive -f 执行脚本中的sql语句，其中使用>输出到指定目录下的文件当中(定时任务)；
exit 先隐性提交数据，再退出；
quit 不提交数据，退出；

---

参数配置方式

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。
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。
3. 参数声明方式
   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。

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<参数声明。

---

Hive 数据类型

基本数据类型

Hive数据类型	Java数据类型	长度	例子
TINYINT	byte	1byte有符号整数	20
SMALINT	short	2byte有符号整数	20
INT	int	4byte有符号整数	20
BIGINT	long	8byte有符号整数	20
BOOLEAN	boolean	布尔类型	TRUE FALSE
FLOAT	float	单精度浮点数	3.14159
DOUBLE	double	双精度浮点数	3.14159
STRING	string	字符系列	‘hello’ OR “world!”
TIMESTAMP		时间类型
BINARY		字节数组

复杂数据类型

数据类型	描述
STRUCT	和c语言中的struct类似，都可以通过“点”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。
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
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。

样例：

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

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。

---

DDL数据定义

• 数据库创建
  create database if not exists db_hive location '/db_hive2.db';– 脚本中按照某种规律来建库并放在指定位置，避免db_hive already exists异常；
• 数据库删除
  drop database if exists db_hive2; – 删除空数据库
  drop database db_hive cascade;–删除数据库，不管是不是空
• 创建表

[(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]

1.CREATE TABLE 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。
2. EXTERNAL关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。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。
3.COMMENT：为表和列添加注释。
4. PARTITIONED BY创建分区表
5. CLUSTERED BY创建分桶表
6. SORTED BY不常用
7.ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
        [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char] 
   | 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，目的是用于序列化和反序列化。
8. 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。
9.LOCATION：指定表在HDFS上的存储位置。
10.LIKE允许用户复制现有的表结构，但是不复制数据。

---

内部表，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。当我们删除一个内部表时，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。

• 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;
• 根据已经存在的表结构创建表
  create table if not exists student4 like student;

---

外部表（EXTERNAL声明），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进入内部表。

---

• 外部数据写入
  load data local inpath '/opt/module/datas/dept.txt' into table default.dept;

---

内MANAGED_TABLE、外EXTERNAL_TABLE部表转换

• 修改内部表user_log为外部表
  alter table user_log set tblproperties('EXTERNAL'='TRUE');
• 修改外部表user_log为内部表
  alter table user_logset tblproperties('EXTERNAL'='FALSE');

---

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。

---

DML数据定义

• 数据导入
  hive> load data [local] inpath '/opt/module/datas/student.txt' 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
  （0）创建一张表

试例

• 创建一张表
  hive (default)> create table user_info(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/datas/user_info.txt' into table default.user_info;
  （2）加载HDFS文件到hive中
  上传文件到HDFS
  hive (default)> dfs -put /opt/module/datas/user_info.txt /user/atguigu/hive;
  加载HDFS上数据
  hive (default)> load data inpath '/user/atguigu/hive/user_info.txt' into table default.user_info;
  （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/user_info.txt /user/atguigu/hive;
  加载数据覆盖表中已有的数据
  hive (default)> load data inpath '/user/atguigu/hive/user_info.txt' overwrite into table default.user_info;

- 使用核心

having与where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）同group by同时使用时，where先过滤后聚合，having先聚合后过滤；
（3）having只用于group by分组统计语句。

Join连接

行转列
CONCAT(string A/col, string B/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, str1, str2,...)：它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
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。

列转行
EXPLODE(col)：将hive一列中复杂的array或者map结构拆分成多行。
LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释：用于和split, explode等UDTF一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。

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而变化
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。

排序
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