HIVE入门详情(三)

1、DML 数据操作

1.1、数据导入

1.1.1、 向表中装载数据(Load)
  1. 语法
hive> load data [local] inpath '数据的 path' [overwrite] into table student [partition (partcol1=val1,…)];
  • load data:表示加载数据
  • local:表示从本地加载数据到 hive 表;否则从 HDFS 加载数据到 hive 表
  • inpath:表示加载数据的路径
  • overwrite:表示覆盖表中已有数据,否则表示追加
  • into table:表示加载到哪张表
  • student:表示具体的表
  • partition:表示上传到指定分区
  1. 实操案例
  • 创建一张表
hive (default)> create table student(id string, name string) row format delimited fields terminated by '\t';
  • 加载本地文件到 hive
hive (default)> load data local inpath '/opt/module/hive/datas/student.txt' into table default.student;
  • 加载 HDFS 文件到 hive 中
  1. 上传文件到 HDFS
hive (default)> dfs -put /opt/module/hive/data/student.txt  /user/atguigu/hive;
  1. 加载 HDFS 上数据
hive (default)> load data inpath '/user/atguigu/hive/student.txt' into table default.student;
  • 加载数据覆盖表中已有的数据
  1. 上传文件到 HDFS
hive (default)> dfs -put /opt/module/data/student.txt /user/atguigu/hive;
  1. 加载数据覆盖表中已有的数据
hive (default)> load data inpath '/user/atguigu/hive/student.txt'  overwrite into table default.student;
1.1.2、 通过查询语句向表中插入数据(Insert)
  1. 创建一张表
hive (default)> create table student_par(id int, name string) row format delimited fields terminated by '\t';
  1. 基本插入数据
hive (default)> insert into table student_par values(1,'wangwu'),(2,'zhaoliu'); 
  1. 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 where month='201709';
  • 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
  1. 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';
1.1.3、 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;
1.1.4、 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; 
  1. 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; 
  1. 查询数据
hive (default)> select * from student5;
1.1.5、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';

1.2、数据导出

1.2.1、Insert 导出
  1. 将查询的结果导出到本地
hive (default)> insert overwrite local directory '/opt/module/hive/data/export/student' select * from student;
  1. 将查询的结果格式化导出到本地
hive(default)>insert overwrite local directory  '/opt/module/hive/data/export/student1' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;
  1. 将查询的结果导出到 HDFS 上(没有 local)
hive (default)> insert overwrite directory '/user/atguigu/student2' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  select * from student;
1.2.2、Hadoop 命令导出到本地
hive (default)> dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;
1.2.3、Hive Shell 命令导出

基本语法:(hive -f/-e 执行语句或者脚本 > file)

[atguigu@hadoop102 hive]$ bin/hive -e 'select * from default.student;' > /opt/module/hive/data/export/student4.txt;
1.2.4、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

1.2.5、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;

1.3、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]
1.3.1、基本查询(Select…From)
1.3.2、全表和特定列查询
  1. 数据准备

dept:

10 ACCOUNTING 1700
20 RESEARCH 1800
30 SALES 1900
40 OPERATIONS 1700

emp:

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

创建部门表

create table if not exists dept(
deptno int,dname string,loc int)
row format delimited fields terminated by '\t';

创建员工表

create 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';

导入数据

load data local inpath '/opt/module/datas/dept.txt' into table dept;
load data local inpath '/opt/module/datas/emp.txt' into table emp;
  1. 全表查询
hive (default)> select * from emp;
hive (default)> select empno,ename,job,mgr,hiredate,sal,comm,deptno from emp ;
  1. 选择特定列查询
hive (default)> select empno, ename from emp;

注意:

  • SQL 语言大小写不敏感。
  • SQL 可以写在一行或者多行
  • 关键字不能被缩写也不能分行
  • 各子句一般要分行写。
  • 使用缩进提高语句的可读性。
1.3.3、列别名
  • 重命名一个列
  • 便于计算
  • 紧跟列名,也可以在列名和别名之间加入关键字‘AS’
  • 案例实操

查询名称和部门

hive (default)> select ename AS name, deptno dn from emp;
1.3.4、算术运算符

在这里插入图片描述
案例实操:查询出所有员工的薪水后加 1 显示。

hive (default)> select sal +1 from emp;
1.3.5、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;
1.3.6、 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;
1.3.7、Where 语句
  1. 使用 WHERE 子句,将不满足条件的行过滤掉
  2. WHERE 子句紧随 FROM 子句
  3. 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。

1.3.8、比较运算符(Between/In/ Is Null)
  1. 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。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  1. 案例实操
  • 查询出薪水等于 5000 的所有员工
hive (default)> select * from emp where sal =5000;
  • 查询工资在 500 到 1000 的员工信息
hive (default)> select * from emp where sal between 500 and 1000;
  • 查询 comm 为空的所有员工信息
hive (default)> select * from emp where comm is null;
  • 查询工资是 1500 或 5000 的员工信息
hive (default)> select * from emp where sal IN (1500, 5000);
1.3.9、逻辑运算符(And/Or/Not)

在这里插入图片描述

  1. 案例实操
  • 查询薪水大于 1000,部门是 30
hive (default)> select * from emp where sal>1000 and deptno=30;
  • 查询薪水大于 1000,或者部门是 30
hive (default)> 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
hive (default)> select * from emp where deptno not IN(30, 20);

1.4、分组

1.4.1、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。

  1. 案例实操:
  • 计算 emp 表每个部门的平均工资
hive (default)> 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
hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;
1.4.2、Having 语句
  1. having 与 where 不同点
    • where 后面不能写分组函数,而 having 后面可以使用分组函数。
    • having 只用于 group by 分组统计语句。
  2. 案例实操
  • 求每个部门的平均工资
hive (default)> select deptno, avg(sal) from emp group by deptno;
  • 求每个部门的平均薪水大于 2000 的部门
hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

1.5、Join 语句

1.5.1、等值 Join

Hive 支持通常的 SQL JOIN 语句。

  1. 案例实操

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;
1.5.2、表的别名
  1. 好处
    • 使用别名可以简化查询。
    • 使用表名前缀可以提高执行效率。
  2. 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;
1.5.3、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;
1.5.4、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;
1.5.5、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;
1.5.6、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。

hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;
1.5.7、 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。

  1. 数据准备
1700 Beijing
1800 London
1900 Tokyo
  1. 创建位置表
create table if not exists location(
loc int,loc_name string)
row format delimited fields terminated by '\t';
  1. 导入数据
hive (default)> load data local inpath '/opt/module/datas/location.txt' into table location;
  1. 多表连接查询
hive (default)>SELECT e.ename, d.dname, l.loc_name FROM emp e JOIN dept d ON d.deptno = e.deptno  JOIN location l ON d.loc = l.loc;

大多数情况下,Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。本例中会首先启动一个 MapReduce job 对表 e 和表 d 进行连接操作,然后会再启动一个 MapReduce job 将第一个 MapReduce job 的输出和表 l;进行连接操作。

注意:为什么不是表 d 和表 l 先进行连接操作呢?这是因为 Hive 总是按照从左到右的顺序执行的。
优化:当对 3 个或者更多表进行 join 连接时,如果每个 on 子句都使用相同的连接键的话,那么只会产生一个 MapReduce job。

1.5.8、笛卡尔积
  1. 笛卡尔集会在下面条件下产生
    • 省略连接条件
    • 连接条件无效
    • 所有表中的所有行互相连接
  2. 案例实操
hive (default)> select empno, dname from emp, dept;

1.6、排序

1.6.1、全局排序(Order By)
  1. Order By:全局排序,只有一个 Reducer 1)使用 ORDER BY 子句排序
    • ASC(ascend): 升序(默认)
    • DESC(descend): 降序
  2. ORDER BY 子句在 SELECT 语句的结尾
  3. 案例实操
  • 查询员工信息按工资升序排列
hive (default)> select * from emp order by sal;
  • 查询员工信息按工资降序排列
hive (default)> select * from emp order by sal desc;
1.6.2、按照别名排序

按照员工薪水的 2 倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal;
1.6.3、多个列排序

按照部门和工资升序排序

hive (default)> select ename, deptno, sal from emp order by deptno, sal;
1.6.4、 每个 Reduce 内部排序(Sort By)

Sort By:对于大规模的数据集 order by 的效率非常低。在很多情况下,并不需要全局排序,此时可以使用 sort by。Sort by 为每个 reducer 产生一个排序文件。每个 Reducer 内部进行排序,对全局结果集来说不是排序。

  1. 设置 reduce 个数
hive (default)> set mapreduce.job.reduces=3;
  1. 查看设置 reduce 个数
hive (default)> set mapreduce.job.reduces;
  1. 根据部门编号降序查看员工信息
hive (default)> select * from emp sort by deptno desc;
  1. 将查询结果导入到文件中(按照部门编号降序排序)
hive (default)> insert overwrite local directory '/opt/module/data/sortby-result' select * from emp sort by deptno desc;
1.6.5、 分区(Distribute By)

Distribute By: 在有些情况下,我们需要控制某个特定行应该到哪个 reducer,通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by 类似 MR 中 partition(自定义分区),进行分区,结合 sort by 使用。

对于 distribute by 进行测试,一定要分配多 reduce 进行处理,否则无法看到 distribute by 的效果。

  • 先按照部门编号分区,再按照员工编号降序排序。
hive (default)> set mapreduce.job.reduces=3;
hive (default)> insert overwrite local directory '/opt/module/data/distribute-result' select * from emp distribute by 
deptno sort by empno desc;

注意:
➢ distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后,余数相同的分到一个区。
➢ Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

1.6.6、 Cluster By

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。

以下两种写法等价

hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;

注意:按照部门编号分区,不一定就是固定死的数值,可以是 20 号和 30 号部门分到一个分区里面去

1.7、分区表和分桶表

1.7.1、分区表

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。

1.7.1.1、分区表基本操作
  1. 引入分区表(需要根据日期对日志进行管理, 通过部门信息模拟)
dept_20200401.log
dept_20200402.log
dept_20200403.log
  1. 创建分区表语法
hive (default)> create table dept_partition(
deptno int, dname string, loc string)
partitioned by (day string)  row format delimited fields terminated by '\t';

注意:分区字段不能是表中已经存在的数据,可以将分区字段看作表的伪列。

  1. 准备数据

dept_20200401.log

10 ACCOUNTING 1700
20 RESEARCH 1800

dept_20200402.log

30 SALES 1900
40 OPERATIONS 1700

dept_20200403.log

50 TEST 2000
60 DEV 1900
  1. 加载数据到分区表中

加载数据

hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition 
partition(day='20200401');
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200402.log' into table dept_partition 
partition(day='20200402');
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200403.log' into table dept_partition 
partition(day='20200403');

注意:分区表加载数据时,必须指定分区

在这里插入图片描述
5. 查询分区表中数据

  • 单分区查询
hive (default)> select * from dept_partition where day='20200401';
  • 多分区联合查询
hive (default)> select * from dept_partition where day='20200401'
union
select * from dept_partition where day='20200402'
union
select * from dept_partition where day='20200403'; 
hive (default)> select * from dept_partition where day='20200401' or day='20200402' or day='20200403';
  1. 增加分区
  • 创建单个分区
hive (default)> alter table dept_partition add partition(day='20200404');
  • 同时创建多个分区
hive (default)> alter table dept_partition add partition(day='20200405') partition(day='20200406');
  1. 删除分区
  • 删除单个分区
hive (default)> alter table dept_partition drop partition (day='20200406');
  • 同时删除多个分区
hive (default)> alter table dept_partition drop partition (day='20200404'), partition(day='20200405');
  1. 查看分区表有多少分区
hive> show partitions dept_partition;
  1. 查看分区表结构
hive> desc formatted dept_partition;
1.7.1.2、 二级分区

如何一天的日志数据量也很大,如何再将数据拆分?

  1. 创建二级分区表
hive (default)> create table dept_partition2(
deptno int, dname string, loc string )
partitioned by (day string, hour string)  row format delimited fields terminated by '\t';
  1. 正常的加载数据
  • 加载数据到二级分区表中
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401', hour='12');
  • 查询分区数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='12';
  1. 把数据直接上传到分区目录上,让分区表和数据产生关联的三种方式

方式一:上传数据后修复

  • 上传数据
hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
hive (default)> dfs -put /opt/module/datas/dept_20200401.log  /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
  • 查询数据(查询不到刚上传的数据)
hive (default)> select * from dept_partition2 where day='20200401' and hour='13';
  • 执行修复命令
hive> msck repair table dept_partition2;
  • 再次查询数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='13';

方式二:上传数据后添加分区

  • 上传数据
hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log  ser/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
  • 执行添加分区
hive (default)> alter table dept_partition2 add partition(day='201709',hour='14');
  • 查询数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='14';

方式三:创建文件夹后 load 数据到分区

  • 创建目录
hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;
  • 上传数据
hive (default)> load data local inpath  '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401',hour='15');
  • 查询数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='15';
1.7.1.3、 动态分区调整

关系型数据库中,对分区表 Insert 数据时候,数据库自动会根据分区字段的值,将数据插入到相应的分区中,Hive 中也提供了类似的机制,即动态分区(Dynamic Partition),只不过,使用 Hive 的动态分区,需要进行相应的配置。

  1. 开启动态分区参数设置
开启动态分区功能(默认 true,开启)hive.exec.dynamic.partition=true
  1. 设置为非严格模式(动态分区的模式,默认 strict,表示必须指定至少一个分区为静态分区,nonstrict 模式表示允许所有的分区字段都可以使用动态分区。)
hive.exec.dynamic.partition.mode=nonstrict
  1. 在所有执行 MR 的节点上,最大一共可以创建多少个动态分区。默认 1000
hive.exec.max.dynamic.partitions=1000
  1. 在每个执行 MR 的节点上,最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如:源数据中包含了一年的数据,即 day 字段有 365 个值,那么该参数就需要设置成大于 365,如果使用默认值 100,则会报错。
hive.exec.max.dynamic.partitions.pernode=100
  1. 整个 MR Job 中,最大可以创建多少个 HDFS 文件。默认 100000
hive.exec.max.created.files=100000
  1. 当有空分区生成时,是否抛出异常。一般不需要设置。默认 false
hive.error.on.empty.partition=false
1.7.1.4、 动态分区案例实操

需求:将 dept 表中的数据按照地区(loc 字段),插入到目标表 dept_partition 的相应分区中。

  1. 创建目标分区表
hive (default)> create table dept_partition_dy(id int, name string)  partitioned by (loc int) row format delimited fields terminated by '\t';
  1. 设置动态分区
set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> insert into table dept_partition_dy partition(loc) select  deptno, dname, loc from dept;
  1. 查看目标分区表的分区情况
hive (default)> show partitions dept_partition;
1.7.2、分桶表

分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区。对于一张表或者分区,Hive 可以进一步组织成桶,也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。分区针对的是数据的存储路径;分桶针对的是数据文件。

1.7.2.1、创建分桶表
  • 数据准备
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
  • 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';
  • 查看表结构
hive (default)> desc formatted stu_buck;
  • 导入数据到分桶表中,load 的方式
hive (default)> load data inpath '/student.txt' into table stu_buck;
  • 查看创建的分桶表中是否分成 4 个桶

在这里插入图片描述

  • 查询分桶的数据
hive(default)> select * from stu_buck;
  • 分桶规则:
根据结果可知:Hive 的分桶采用对分桶字段的值进行哈希,然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中
1.7.2.2、分桶表操作需要注意的事项
  • reduce 的个数设置为-1,让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个
    数设置为大于等于分桶表的桶数
  • 从 hdfs 中 load 数据到分桶表中,避免本地文件找不到问题
  • 不要使用本地模式
1.7.2.3、insert 方式将数据导入分桶表
hive(default)>insert into table stu_buck select * from student_insert;

1.8、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)
查询表 stu_buck 中的数据。

hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注意:x 的值必须小于等于 y 的值,否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

1.9、函数

1.9.1、系统内置函数
  • 查看系统自带的函数
hive> show functions;
  • 显示自带的函数的用法
hive> desc function upper;
  • 详细显示自带的函数的用法
hive> desc function extended upper;
1.9.2、常用内置函数
1.9.2.1、空字段赋值

NVL:给值为 NULL 的数据赋值,它的格式是 NVL( value,default_value)。它的功能是如果 value 为 NULL,则 NVL 函数返回 default_value 的值,否则返回 value 的值,如果两个参数都为 NULL ,则返回 NULL。

数据采用上面的员工表

  • 查询:如果员工的 comm 为 NULL,则用-1 代替
hive (default)> select comm,nvl(comm, -1) from emp;
comm  _c1
NULL -1.0
300.0 300.0
500.0 500.0
NULL -1.0
1400.0 1400.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
0.0 0.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
  • 查询:如果员工的 comm 为 NULL,则用领导 id 代替
hive (default)> select comm, nvl(comm,mgr) from emp;

comm _c1
NULL 7902.0
300.0 300.0
500.0 500.0
NULL 7839.0
1400.0 1400.0
NULL 7839.0
NULL 7839.0
NULL 7566.0
NULL NULL
0.0 0.0
NULL 7788.0
NULL 7698.0
NULL 7566.0
NULL 7782.0
1.9.2.2、 CASE WHEN THEN ELSE END
  • 数据准备
dept_id   name  sex
悟空			 A 	男
大海			 A		男
宋宋			 B		男
凤姐			 A  	女
婷姐			 B 	女
婷婷			 B		女
  • 需求:求出不同部门男女各多少人。结果如下:
dept_Id 男 女
A 		2 	1
B 		1 	2
  • 创建本地 emp_sex.txt,导入数据
[atguigu@hadoop102 datas]$ vi emp_sex.txt
悟空 A 男
大海 A 男
宋宋 B 男
凤姐 A 女
婷姐 B 女
婷婷 B 女
  • 创建 hive 表并导入数据
create table emp_sex(
name string, dept_id string, sex string) row format delimited fields terminated by "\t";
load data local inpath '/opt/module/hive/data/emp_sex.txt' into table emp_sex;
  • 按需求查询数据
select  dept_id,
 sum(case sex when '男' then 1 else 0 end) male_count,
 sum(case sex when '女' then 1 else 0 end) female_count
from emp_sex  group by dept_id;
1.9.2.3、 行转列
  1. 相关函数说明
    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;

注意: CONCAT_WS must be "string or array 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。

  1. 数据准备
name	constellation	blood_type	
孙悟空		白羊座			A
大海			射手座			A
宋宋			白羊座			B
猪八戒		白羊座			A
凤姐			射手座			A
苍老师		白羊座			B
  1. 需求:把星座和血型一样的人归类到一起。结果如下:
射手座,A 大海|凤姐
白羊座,A 孙悟空|猪八戒
白羊座,B 宋宋|苍老师
  1. 创建本地 constellation.txt,导入数据
[atguigu@hadoop102 datas]$ vim person_info.txt
孙悟空 白羊座 A
大海 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
苍老师 白羊座 B 
  1. 创建 hive 表并导入数据
create table person_info(
name string, constellation string, blood_type string) row format delimited fields terminated by "\t";
load data local inpath "/opt/module/hive/data/person_info.txt" into table person_info;

6)按需求查询数据

SELECT
	t1.c_b,
	CONCAT_WS("|",collect_set(t1.name))
FROM (
	SELECT
		NAME,
		CONCAT_WS(',',constellation,blood_type) c_b
	FROM person_info
)t1
GROUP BY t1.c_b
1.9.2.4、 列转行
  1. 函数说明
    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.
  2. 数据准备
movie 			category
《疑犯追踪》 	悬疑,动作,科幻,剧情
《Lie to me》 	悬疑,警匪,动作,心理,剧情
《战狼 2》 		战争,动作,灾难
  1. 需求:将电影分类中的数组数据展开。结果如下:
《疑犯追踪》 悬疑
《疑犯追踪》 动作
《疑犯追踪》 科幻
《疑犯追踪》 剧情
《Lie to me》 悬疑
《Lie to me》 警匪
《Lie to me》 动作
《Lie to me》 心理
《Lie to me》 剧情
《战狼 2》 战争
《战狼 2》 动作
《战狼 2》 灾难
  1. 创建本地 movie.txt,导入数据
[atguigu@hadoop102 datas]$ vi movie_info.txt
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》悬疑,警匪,动作,心理,剧情
《战狼 2》 战争,动作,灾难
  1. 创建 hive 表并导入数据
    create table movie_info(
    movie string, category string) row format delimited fields terminated by “\t”;

load data local inpath “/opt/module/data/movie.txt” into table movie_info;

  1. 按需求查询数据
SELECT 
	movie,
	category_name
FROM
	movie_info
lateral VIEW
	explode(split(category,",")) movie_info_tmp AS category_name;
1.9.3、 窗口函数(开窗函数)
1.9.3.1、相关函数说明

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,
    1. UNBOUNDED PRECEDING 表示从前面的起点,
    2. UNBOUNDED FOLLOWING 表示到后面的终点
  • LAG(col,n,default_val):往前第 n 行数据
  • LEAD(col,n, default_val):往后第 n 行数据
    NTILE(n):把有序窗口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。
1.9.3.2、数据准备: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
1.9.3.3、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, 将每个顾客的 cost 按照日期进行累加
(4)查询每个顾客上次的购买时间
(5)查询前 20%时间的订单信息

1.9.3.4、创建本地 business.txt,导入数据,并创建 hive 表,导入数据
create table business(
name string,
orderdate string,
cost int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
load data local inpath "/opt/module/data/business.txt" into table business;
1.9.3.5、按需求查询数据
  1. 查询在 2017 年 4 月份购买过的顾客及总人数
    在这里插入图片描述
select name,count(*) over () 
from business
where substring(orderdate,1,7) = '2017-04' group by name;
  1. 查询顾客的购买明细及月购买总额
    在这里插入图片描述
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) 
from business;
  1. 将每个顾客的 cost 按照日期进行累加
    在这里插入图片描述
select name,orderdate,cost,
sum(cost) over() as sample1,--所有行相加
sum(cost) over(partition by name) as sample2,--按 name 分组,组内数据相加
sum(cost) over(partition by name order by orderdate) as sample3,--按 name 分组,组内数据累加
sum(cost) over(partition by name order by orderdate rows between  UNBOUNDED PRECEDING and current row ) as sample4 ,--和 sample3 一样,由起点到当前行的聚合
sum(cost) over(partition by name order by orderdate rows between 1  PRECEDING and current row) as sample5, --当前行和前面一行做聚合
sum(cost) over(partition by name order by orderdate rows between 1  PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行
sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行
from business;

rows 必须跟在 order by 子句之后,对排序的结果进行限制,使用固定的行数来限制分区中的数据行数量。

  1. 查看顾客上次的购买时间

在这里插入图片描述

select name,orderdate,cost,
lag(orderdate,1) over(partition by name order by orderdate ) as time1, 
lag(orderdate,1,orderdate) over(partition by name order by orderdate ) as time2, --如果为null,则使用自己
lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate ) as time3, --如果为null,则使用1900-01-01
lag(orderdate,2) over (partition by name order by orderdate) as time3, 
LEAD(orderdate,1) over(partition by name order by orderdate ) as time4 
from business;

在这里插入图片描述

  1. 查询前 20%时间的订单信息
    在这里插入图片描述
select * from (
 select name,orderdate,cost, 
 ntile(5) over(order by orderdate) sorted  
 from business 
 ) t
where sorted = 1;
1.9.4、Rank
1.9.4.1、函数说明
  • 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
1.9.4.2、数据准备
name subject score
孙悟空 语文 87
孙悟空 数学 95
孙悟空 英语 68
大海 语文 94
大海 数学 56
大海 英语 84
宋宋 语文 64
宋宋 数学 86
宋宋 英语 84
婷婷 语文 65
婷婷 数学 85
婷婷 英语 78
1.9.4.3、创建本地 score.txt,导入数据,创建 hive 表,导入数据
vi score.txt
create table score(
name string,
subject string, 
score int) 
row format delimited fields terminated by "\t";
load data local inpath '/opt/module/data/score.txt' into table score;
1.9.4.4、需求:计算每门学科成绩排名。
1.9.4.5、按需求查询数据
select name,
	subject,
	score,
	rank() over(partition by subject order by score desc) rp,
	dense_rank() over(partition by subject order by score desc) drp,
	row_number() over(partition by subject order by score desc) rmp
from score;

name subject score rp drp rmp
孙悟空 数学 95 1 1 1
宋宋 数学 86 2 2 2
婷婷 数学 85 3 3 3
大海 数学 56 4 4 4
宋宋 英语 84 1 1 1
大海 英语 84 1 1 2
婷婷 英语 78 3 2 3
孙悟空 英语 68 4 3 4
大海 语文 94 1 1 1
孙悟空 语文 87 2 2 2
婷婷 语文 65 3 3 3
宋宋 语文 64 4 4 4
1.9.5、其他的常用函数
常用日期函数
unix_timestamp:返回当前或指定时间的时间戳	
select unix_timestamp();
select unix_timestamp("2020-10-28",'yyyy-MM-dd');

from_unixtime:将时间戳转为日期格式
select from_unixtime(1603843200);

current_date:当前日期
select current_date;

current_timestamp:当前的日期加时间
select current_timestamp;

to_date:抽取日期部分
select to_date('2020-10-28 12:12:12');

year:获取年
select year('2020-10-28 12:12:12');

month:获取月
select month('2020-10-28 12:12:12');

day:获取日
select day('2020-10-28 12:12:12');

hour:获取时
select hour('2020-10-28 12:12:12');

minute:获取分
select minute('2020-10-28 12:12:12');

second:获取秒
select second('2020-10-28 12:12:12');

weekofyear:当前时间是一年中的第几周
select weekofyear('2020-10-28 12:12:12');

dayofmonth:当前时间是一个月中的第几天
select dayofmonth('2020-10-28 12:12:12');

months_between: 两个日期间的月份
select months_between('2020-04-01','2020-10-28');

add_months:日期加减月
select add_months('2020-10-28',-3);

datediff:两个日期相差的天数
select datediff('2020-11-04','2020-10-28');

date_add:日期加天数
select date_add('2020-10-28',4);

date_sub:日期减天数
select date_sub('2020-10-28',-4);

last_day:日期的当月的最后一天
select last_day('2020-02-30');

date_format(): 格式化日期
select date_format('2020-10-28 12:12:12','yyyy/MM/dd HH:mm:ss');

常用取整函数
round: 四舍五入
select round(3.14);
select round(3.54);

ceil:  向上取整
select ceil(3.14);
select ceil(3.54);

floor: 向下取整
select floor(3.14);
select floor(3.54);

常用字符串操作函数
upper: 转大写
select upper('low');

lower: 转小写
select lower('low');

length: 长度
select length("atguigu");

trim:  前后去空格
select trim(" atguigu ");

lpad: 向左补齐,到指定长度
select lpad('atguigu',9,'g');

rpad:  向右补齐,到指定长度
select rpad('atguigu',9,'g');

regexp_replace:使用正则表达式匹配目标字符串,匹配成功后替换!
SELECT regexp_replace('2020/10/25', '/', '-');

集合操作
size: 集合中元素的个数
select size(friends) from test3;

map_keys: 返回map中的key
select map_keys(children) from test3;

map_values: 返回map中的value
select map_values(children) from test3;

array_contains: 判断array中是否包含某个元素
select array_contains(friends,'bingbing') from test3;

sort_array: 将array中的元素排序
select sort_array(friends) from test3;

grouping_set:多维分析
1.9.6、自定义函数
  1. Hive 自带了一些函数,比如:max/min 等,但是数量有限,自己可以通过自定义 UDF 来方便的扩展。

  2. 当 Hive 提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用用户自定义函数(UDF:user-defined function)。

  3. 根据用户自定义函数类别分为以下三种:

    • UDF(User-Defined-Function)
      一进一出
    • UDAF(User-Defined Aggregation Function)
      聚集函数,多进一出,类似于:count/max/min
    • UDTF(User-Defined Table-Generating Functions)
      一进多出,如 lateral view explode()
  4. 官方文档地址
    https://cwiki.apache.org/confluence/display/Hive/HivePlugins

  5. 编程步骤:

    • 继承 Hive 提供的类
      org.apache.hadoop.hive.ql.udf.generic.GenericUDF
      org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
    • 实现类中的抽象方法
    • 在 hive 的命令行窗口创建函数
    • 添加 jar,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;
1.9.6.1、自定义 UDF 函数
  1. 需求:自定义一个 UDF 实现计算给定字符串的长度,例如:
hive(default)> select my_len("abcd"); 
4
  1. 创建一个 Maven 工程 Hive,导入依赖
<dependencies>
	<dependency>
		<groupId>org.apache.hive</groupId>
		<artifactId>hive-exec</artifactId>
		<version>3.1.2</version>
	</dependency>
</dependencies>
  1. 创建一个类
package com.song.hive;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;
/**
* 自定义 UDF 函数,需要继承 GenericUDF 类
* 需求: 计算指定字符串的长度
*/
public class MyStringLength extends GenericUDF {
	 /**
	 * @param arguments 输入参数类型的鉴别器对象
	 * @return 返回值类型的鉴别器对象
	 * @throws UDFArgumentException
	 */
	 @Override
	 public ObjectInspector initialize(ObjectInspector[] arguments) throws 
		UDFArgumentException {
		 // 判断输入参数的个数
		 if(arguments.length !=1){
		 throw new UDFArgumentLengthException("Input Args Length Error!!!");
	 }
	 // 判断输入参数的类型
	if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){
		 throw new UDFArgumentTypeException(0,"Input Args Type Error!!!");
		 }
		 //函数本身返回值为 int,需要返回 int 类型的鉴别器对象
		 return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
	 }
	 /**
	 * 函数的逻辑处理
	 * @param arguments 输入的参数
	 * @return 返回值
	 * @throws HiveException
	 */
	 @Override
	 public Object evaluate(DeferredObject[] arguments) throws HiveException {
		 if(arguments[0].get() == null){
		 	return 0;
		 }
		 return arguments[0].get().toString().length();
	 }
	 @Override
	 public String getDisplayString(String[] children) {
		 return "";
	 } 
 }
  1. 打成 jar 包上传到服务器/opt/module/data/myudf.jar
  2. 将 jar 包添加到 hive 的 classpath
hive (default)> add jar /opt/module/data/myudf.jar;
  1. 创建临时函数与开发好的 java class 关联
hive (default)> create temporary function my_len as "com.song.hive.MyStringLength";
  1. 即可在 hql 中使用自定义的函数
hive (default)> select ename,my_len(ename) ename_len from emp;
1.9.6.2、自定义 UDTF 函数
  1. 需求:自定义一个 UDTF 实现将一个任意分割符的字符串切割成独立的单词,例如:
hive(default)> select myudtf("hello,world,hadoop,hive", ",");

hello
world
hadoop
hive
  1. 代码实现
package com.atguigu.udtf;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;
import java.util.ArrayList;
import java.util.List;
public class MyUDTF extends GenericUDTF {

 	 private ArrayList<String> outList = new ArrayList<>();
	 @Override
	 public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {
		 //1.定义输出数据的列名和类型
		 List<String> fieldNames = new ArrayList<>();
		 List<ObjectInspector> fieldOIs = new ArrayList<>();
		 //2.添加输出数据的列名和类型
		 fieldNames.add("lineToWord");
		 fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
		 return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
	 }
	 @Override
	 public void process(Object[] args) throws HiveException {
		 //1.获取原始数据
		 String arg = args[0].toString();
		 //2.获取数据传入的第二个参数,此处为分隔符
		 String splitKey = args[1].toString();
		 //3.将原始数据按照传入的分隔符进行切分
		 String[] fields = arg.split(splitKey);
		 //4.遍历切分后的结果,并写出
		 for (String field : fields) {
		 //集合为复用的,首先清空集合
		 outList.clear();
		 //将每一个单词添加至集合
		 outList.add(field);
		 //将集合内容写出
		 forward(outList);
	 }
 }
	 @Override
	 public void close() throws HiveException {
	 } 
 }
  1. 打成 jar 包上传到服务器/opt/module/hive/data/myudtf.jar
  2. 将 jar 包添加到 hive 的classpath 下
hive (default)> add jar /opt/module/hive/data/myudtf.jar;
  1. 创建临时函数与开发好的 java class 关联
hive (default)> create temporary function myudtf as "com.atguigu.hive.MyUDTF";
  1. 使用自定义的函数
hive (default)> select myudtf("hello,world,hadoop,hive",",");

1.10、压缩和存储

1.10.1、Hadoop 压缩配置
1.10.1.1、MR 支持的压缩编码

在这里插入图片描述
为了支持多种压缩/解压缩算法,Hadoop 引入了编码/解码器,如下表所示:

压缩格式对应的编码/解码器
DEFLATEorg.apache.hadoop.io.compress.DefaultCodec
gziporg.apache.hadoop.io.compress.GzipCodec
bzip2org.apache.hadoop.io.compress.BZip2Codec
LZOcom.hadoop.compression.lzo.LzopCodec
Snappyorg.apache.hadoop.io.compress.SnappyCodec

压缩性能的比较:
在这里插入图片描述

1.10.1.2、压缩参数配置

要在 Hadoop 中启用压缩,可以配置如下参数(mapred-site.xml 文件中):
在这里插入图片描述

1.10.2、开启 Map 输出阶段压缩(MR 引擎)

开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。具体配置如下:

1.10.2.1、案例实操:
  1. 开启 hive 中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
  1. 开启 mapreduce 中 map 输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
  1. 设置 mapreduce 中 map 输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
  1. 执行查询语句
hive (default)> select count(ename) name from emp;
1.10.3、开启 Reduce 输出阶段压缩

当 Hive 将输出写入到表中时,输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false,这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为 true,来开启输出结果压缩功能。

1.10.3.1、案例实操:
  1. 开启 hive 最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
  1. 开启 mapreduce 最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
  1. 设置 mapreduce 最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
  1. 设置 mapreduce 最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
  1. 测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory '/opt/module/data/distribute-result' select * from emp distribute by  deptno sort by empno desc;
1.10.4、文件存储格式

Hive 支持的存储数据的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

1.10.4.1、列式存储和行式存储

在这里插入图片描述
如图所示左边为逻辑表,右边第一个为行式存储,第二个为列式存储。

  1. 行存储的特点
    查询满足条件的一整行数据的时候,列存储则需要去每个聚集的字段找到对应的每个列的值,行存储只需要找到其中一个值,其余的值都在相邻地方,所以此时行存储查询的速度更快。
  2. 列存储的特点
    因为每个字段的数据聚集存储,在查询只需要少数几个字段的时候,能大大减少读取的数据量;每个字段的数据类型一定是相同的,列式存储可以针对性的设计更好的设计压缩算法。

TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的;ORC 和 PARQUET 是基于列式存储的。

1.10.4.2、TextFile 格式

默认格式,数据不做压缩,磁盘开销大,数据解析开销大。可结合 Gzip、Bzip2 使用,但使用 Gzip 这种方式,hive 不会对数据进行切分,从而无法对数据进行并行操作。

1.10.4.3、Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。
如下图所示可以看到每个 Orc 文件由 1 个或多个 stripe 组成,每个 stripe 一般为 HDFS的块大小,每一个 stripe 包含多条记录,这些记录按照列进行独立存储,对应到 Parquet中的 row group 的概念。每个 Stripe 里有三部分组成,分别是 Index Data,Row Data,Stripe Footer:
在这里插入图片描述

  1. Index Data:一个轻量级的 index,默认是每隔 1W 行做一个索引。这里做的索引应该只是记录某行的各字段在 Row Data 中的 offset。
  2. Row Data:存的是具体的数据,先取部分行,然后对这些行按列进行存储。对每个列进行了编码,分成多个 Stream 来存储。
  3. Stripe Footer:存的是各个 Stream 的类型,长度等信息。每个文件有一个 File Footer,这里面存的是每个 Stripe 的行数,每个 Column 的数据类型信息等;每个文件的尾部是一个 PostScript,这里面记录了整个文件的压缩类型以及FileFooter 的长度信息等。在读取文件时,会 seek 到文件尾部读 PostScript,从里面解析到File Footer 长度,再读 FileFooter,从里面解析到各个 Stripe 信息,再读各个 Stripe,即从后往前读。
1.10.4.4、Parquet 格式

Parquet 文件是以二进制方式存储的,所以是不可以直接读取的,文件中包括该文件的数据和元数据,因此 Parquet 格式文件是自解析的。

  1. 行组(Row Group):每一个行组包含一定的行数,在一个 HDFS 文件中至少存储一个行组,类似于 orc 的 stripe 的概念。
  2. 列块(Column Chunk):在一个行组中每一列保存在一个列块中,行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的,不同的列块可能使用不同的算法进行压缩。
  3. 页(Page):每一个列块划分为多个页,一个页是最小的编码的单位,在同一个列块的不同页可能使用不同的编码方式。通常情况下,在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小,由于一般情况下每一个 Mapper 任务处理数据的最小单位是一个 Block,这样可以把每一个行组由一个 Mapper 任务处理,增大任务执行并行度。Parquet 文件的格式。

在这里插入图片描述
上图展示了一个 Parquet 文件的内容,一个文件中可以存储多个行组,文件的首位都是该文件的 Magic Code,用于校验它是否是一个 Parquet 文件,Footer length 记录了文件元数据的大小,通过该值和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行
组的元数据信息和该文件存储数据的 Schema 信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在 Parquet 中,有三种类型的页:数据页、字典页和索引页。数据页用于存储当前行组中该列的值,字典页存储该列值的编码字典,每一个列块中最
多包含一个字典页,索引页用来存储当前行组下该列的索引,目前 Parquet 中还不支持索引页。

1.10.4.5、 主流文件存储格式对比实验

从存储文件的压缩比和查询速度两个角度对比。存储文件的压缩比测试

  1. 测试数据准备
    小表数据
    大表数据

  2. TextFile

    • 创建表,存储数据格式为 TEXTFILE
    create table log_text (
    	track_time string,
    	url string,
    	session_id string,
    	referer string,
    	ip string,
    	end_user_id string,
    	city_id string
    )
    row format delimited fields terminated by '\t' stored as textfile;
    
    • 向表中加载数据
hive (default)> load data local inpath '/opt/module/hive/datas/log.data'  into table log_text ;
  • 查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_text; 

18.13 M /user/hive/warehouse/log_text/log.data

  1. ORC

    • 创建表,存储数据格式为 ORC
    create table log_orc(
    track_time string,
    url string,
    session_id string,
    referer string,
    ip string,
    log.data
    end_user_id string,
    city_id string
    )
    row format delimited fields terminated by '\t' stored as orc 
    tblproperties("orc.compress"="NONE"); -- 设置 orc 存储不使用压缩
    
    • 向表中加载数据
hive (default)> insert into table log_orc select * from log_text;
  • 查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;

7.7 M /user/hive/warehouse/log_orc/000000_0

  1. Parquet

    • 创建表,存储数据格式为 parquet
    create table log_parquet(
    track_time string,
    url string,
    session_id string,
    referer string,
    ip string,
    end_user_id string,
    city_id string
    )
    row format delimited fields terminated by '\t' stored as parquet;
    
    • 向表中加载数据
hive (default)> insert into table log_parquet select * from log_text;
  • 查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/;

13.1 M /user/hive/warehouse/log_parquet/000000_0

1.10.4.6、存储文件的对比总结:

ORC > Parquet > textFile
存储文件的查询速度测试:
(1)TextFile

hive (default)> insert overwrite local directory  '/opt/module/data/log_text' select substring(url,1,4) from log_text;

(2)ORC

hive (default)> insert overwrite local directory  '/opt/module/data/log_orc' select substring(url,1,4) from log_orc;

(3)Parquet

hive (default)> insert overwrite local directory  '/opt/module/data/log_parquet' select substring(url,1,4) from 
log_parquet;

存储文件的查询速度总结:查询速度相近。

1.10.5、存储和压缩结合
1.10.5.1、测试存储和压缩

官网:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC 存储方式的压缩:
在这里插入图片描述
注意:所有关于 ORCFile 的参数都是在 HQL 语句的 TBLPROPERTIES 字段里面出现

  1. 创建一个 ZLIB 压缩的 ORC 存储方式
  • 建表语句

    create table log_orc_zlib(
    track_time string,
    url string,
    session_id string,
    referer string,
    ip string,
    end_user_id string,
    city_id string
    )
    row format delimited fields terminated by '\t' stored as orc  tblproperties("orc.compress"="ZLIB");
    
  • 插入数据

insert into log_orc_zlib select * from log_text;
  • 查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;

2.78 M /user/hive/warehouse/log_orc_none/000000_0

  1. 创建一个 SNAPPY 压缩的 ORC 存储方式
  • 建表语句
create table log_orc_snappy(
	track_time string,
	url string,
	session_id string,
	referer string,
	ip string,
	end_user_id string,
	city_id string
)
row format delimited fields terminated by '\t' stored as orc tblproperties("orc.compress"="SNAPPY");
  • 插入数据
insert into log_orc_snappy select * from log_text;
  • 查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/;

3.75 M /user/hive/warehouse/log_orc_snappy/000000_0

ZLIB 比 Snappy 压缩的还小。原因是 ZLIB 采用的是 deflate 压缩算法。比 snappy 压缩的压缩率高。

  1. 创建一个 SNAPPY 压缩的 parquet 存储方式
  • 建表语句

    create table log_parquet_snappy(
    track_time string,
    url string,
    session_id string,
    referer string,
    ip string,
    end_user_id string,
    city_id string
    )
    row format delimited fields terminated by '\t' stored as parquet tblproperties("parquet.compression"="SNAPPY");
    
  • 插入数据

insert into log_parquet_snappy select * from log_text;
  • 查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet_snappy/;

6.39 MB /user/hive/warehouse/ log_parquet_snappy /000000_0

1.10.6、存储方式和压缩总结

在实际的项目开发当中,hive 表的数据存储格式一般选择:orc 或 parquet。压缩方式一般选择 snappy,lzo。

  • 0
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值