Hive使用主要分为以下几个步骤:
- 建立表
- 导入数据
- SQL查询
开始正文前先考虑几个问题:
- Hive不支持insert 语句向表中单条导入数据,那么建立的空表怎么和集群中的数据关联起来呢?
- 怎么理解数据库中的表和集群中数据的关联?
- Hive是做的其实是一种翻译工作,将mapreduce程序翻译成SQL语言。那么执行SQL查询语句时,SQL会被翻译成mapreduce来执行吗?
Hive建表
Hive在建表的时候就规定了表格和数据怎么关联,包括表格有哪些字段,每个字段对应数据的哪一列,集群中数据的列怎么划分等等,建表的方式有三种。
1.创建普通表
建表语句为:
hive> create table test(name string, age int,jiguan string)
> row format delimited --指定数据的一行为表中的一个行
> fields terminated by '\t'; --指定属性是以“tab”键分割
2.创建外部表
建表语句为:
hive> create external table ext(name string, age int,jiguan string)
> row format delimited
> fields terminated by '\t'
> location '/hivedata'; --指定表关联的外部数据路径,创建外部表不需要再手动load导入数据
3.创建分区表
建表语句为:
hive> create table par(name string, age int,jiguan string)
> partitioned by (month string) --指定分区属性(这里按照出生月份分区),可以是表列名,也可以不是
> row format delimited
> fields terminated by '\t';
表建立完成后打开元数据库可以查看到所建表的元数据信息(包含多张表,这里仅给出两个),由于元数据库使用的是MySQL,这里使用Navicat for MySQL进行查看。
TBLS表信息为:
可以看到使用上述三条建表语句所创建的表名,以及表类型。普通表和分区表为manage类型,外部表为external类型。
SDS表信息:
可以看到不同表所包含的数据在集群中存储位置不同(SDS表和TBLS表通过SD_ID关联),普通表和分区表的数据是存储在warehouse目录下,而外部表的数据是存储在建表时指定的目录。
Hive向表中导入数据
-
从本地导入数据
普通表和分区表建立完成后还是一张空表,需要向表中导入一些数据,这样才能使用。首先在本地(这里的本地是指安装有Hive软件的机器)建立一份数据文件data1,假设内容为:
zhangsan 18 henan
lisi 17 hebei
wanger 28 hunan
mazi 38 hubei
lida 28 jiangxi
wangfei 18 yunnan
jinling 16 guangxi
maofeng 18 jiangsu
向普通表导入数据语句:
hive> load data local inpath '/home/hadoop/hivedata/data1' into table test;
local表示数据在本地而不是在集群。执行效果其实是将这一份数据copy到了集群中的数据仓库下:
外部表不需要再导入数据(一般建表时指定的目录下已经包含了需要处理的数据)。
向分区表导入数据(cluster):
load data local inpath '/home/hadoop/hivedata/cluster' into table par partition(month='boy');
可以看出分区机制其实是通过在表路径下创建子目录来实现的,假如有多个分区将会有多个子目录在表的根目录下面。
2.从集群中导入数据
首先在集群中上传一份数据cluster,数据内容为:
zhangsan- 18 henan
lisi- 17 hebei
wanger- 28 hunan
mazi- 38 hubei
lida- 28 jiangxi
wangfei- 18 yunnan
jinling- 16 guangxi
maofeng- 18 jiangsu
向普通表中导入数据:
hive> load data inpath '/hivedata/cluster' into table test; --不指定local
向分区表中导入数据:
load data inpath '/hivedata/cluster' into table par partition(month='01');
从集群中向普通表或者分区表中导入数据,成功后会发现,集群中的数据cluster不见了,被 剪切到了集群中的数据仓库下。这样就有问题了,很多时候我们不希望数据被剪切。要满足这个要求需要建一张外部表,外部表可以对集群中任意位置的数据进行处理(在建表的时候指定这个位置就可以),而数据不会丢失(即便外部表被drop数据仍然存在)。
HQL查询
查询一(查看表信息):
查询二(统计表信息):
可见,HQL通过Hive翻译成了mapreduce程序,然后提交到了集群执行。
查询三(将查询结果到处为文件):
导出到本地:
insert overwrite local directory '/home/hadoop/hivedata/result' select * from par where month='01';
结果如上图,cat指令视觉上看不出空格,,vi还好。
导出到hdfs:
hive> insert overwrite directory '/result' select * from par where month='01';
(总结不当之处,敬请指正)