目录
学习目标：掌握Hive的各种基本操作，包括创建库和表、插入数据、查询数据。
1.DDL操作
1.1.库操作
1.1.1.创建库
语法结构：
CREATE (DATABASE|SCHEMA) [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];
创建库的使用方式：
1.创建普通库
create database dbname;
2.创建库的时候检查存与否
create databse if not exists dbname;
3.创建库的时候带注释
create database if not exists dbname comment 'create my db named dbname';
4.创建带属性的库
create database if not exists dbname with dbproperties ('a'='aaa','b'='bbb');
create database if not exists myhive with dbproperties ('a'='aaa','b'='bbb');
1.1.2.查看库
1.查看有哪些数据库
show databases;
2.显示数据库的详细属性信息
语法：desc database [extended] dbname;
示例：desc database extended myhive;
3.查看正在使用哪个库
select current_database();
4.查看创建库的详细语句
show create database mydb;
1.1.3.删除库
删除库操作：
drop database dbname;
drop database if exists dbname;
默认情况下，hive 不允许删除包含表的数据库，有两种解决办法：
1.手动删除库下所有表，然后删除库
2.使用 cascade 关键字
drop database if exists dbname cascade;
默认情况下就是 restrict
drop database if exists myhive 相当于 drop database if exists myhive restrict
1.1.4.切换库
切换库操作：
语法：use database_name
实例：use myhive;
1.2.表操作
1.2.1.创建表
1.语法结构
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(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]
详情请参见：链接
2.建表语句解释
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。
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），如果不存在，则会自动创建该目录。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。（经典面试问题）
外部表和内部表的选择：
1.如果数据已经存储在 HDFS 上了，然后需要使用 Hive 去进行分析，并且该份数据还有可能要使用其他的计算引擎做计算之用，请使用外部表。
2.如果一份数据仅仅只是使用 Hive 做统计分析，那么可以使用内部表。
不管使用内部表和外部表，表的数据存储路径都是可以通过 location 指定的！！！！！！
推荐方式：
1.创建内部表的时候，最好别指定 location，就存储在默认的仓库路径
2.如果要指定外部路径，那么请创建该表为外部表
PARTITIONED BY 在 Hive Select 查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，因此建表时引入 partition 概念。个表可以拥有一个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下，分区是以字段的形式在表结构中存在，通过 desc table 命令可以查看到字段存在，但是该字段不存放实际的数据内容，仅仅是分区的表示。
分区建表分为 2 种：
一种是单分区，也就是说在表文件夹目录下只有一级文件夹目录
一种是多分区，表文件夹下出现多文件夹嵌套模式
LIKE：允许用户复制现有的表结构（分区和表类型等不会复制），但是不复制数据。
示例：create table tableA like tableB（创建一张 tableA 空表复制 tableB 的结构）
COMMENT：可以为表与字段增加描述
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。
STORED AS TEXTFILE | SEQUENCEFILE | RCFILE
如果文件数据是纯文本，可以使用 STORED AS TEXTFILE，默认也是 textFile 格式，可以通过执行命令 set hive.default.fileformat，进行查看，如果数据需要压缩，使用 STORED AS SEQUENCEFILE。
A、默认格式 TextFile，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(系统自动检查，执行查询时自动解压)，但使用这种方式，hive 不会对数据进行切分，从而无法对数据进行并行操作。
B、SequenceFile 是 Hadoop API 提供的一种二进制文件支持，文件内容是以序列化的 kv对象来组织的，其具有使用方便、可分割、可压缩的特点。 SequenceFile 支持三种压缩选择：NONE，RECORD，BLOCK。Record 压缩率低，一般建议使用 BLOCK 压缩
C、RCFILE 是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record 在一个块上，避免读一个记录需要读取多个 block。其次，块数据列式存储，有利于数据压缩和快速的列存取。相比 TEXTFILE 和 SEQUENCEFILE，RCFILE 由于列式存储方式，数据加载时性能消耗较大，但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取，因此，整体来看，RCFILE 相比其余两种格式具有较明显的优势
CLUSTERED BY 对于每一个表（table）或者分区，Hive 可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive 也是针对某一列进行桶的组织。Hive 采用对列值哈希，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。
把表（或者分区）组织成桶（Bucket）有两个理由：
（1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接（Map Join）高效的实现。比如 JOIN 操作。对于 JOIN 操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行 JOIN操作就可以，可以大大较少 JOIN 的数据量。
（2）使取样（Sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。（经典面试题）
LOCATION：指定数据文件存放的 HDFS 目录，不管内部表还是外表，都可以指定。不指定就在默认的仓库路径。
最佳实践：如果创建内部表请不要指定 location；如果创建表时要指定 location，请创建外部表。
3.Hive建表示例
CREATE TABLE page_view(viewTime INT, userid BIGINT, page_url STRING, referrer_url STRING, ip STRING
COMMENT 'IP Address of the User')
COMMENT 'This is the page view table'
PARTITIONED BY(dt STRING, country STRING)
CLUSTERED BY(userid) SORTED BY(viewTime) INTO 31 BUCKETS
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
COLLECTION ITEMS TERMINATED BY ','
MAP KEYS TERMINATED BY ':'
LINES TERMINATED BY '\n'
STORED AS TEXTFILE
LOCATION '/myhive';
执行命令查看表结构：hive> desc formatted page_view;
hive> desc formatted page_view;
OK
col_name data_type comment
# col_name data_type comment
viewtime int
userid bigint
page_url string
referrer_url string
ip string IP Address of the User
# Partition Information
# col_name data_type comment
dt string
country string
# Detailed Table Information
Database: mydb
Owner: hadoop
CreateTime: Wed Jan 24 20:32:08 CST 2018
LastAccessTime: UNKNOWN
Retention: 0
Location: hdfs://myha01/myhive
Table Type: MANAGED_TABLE
Table Parameters:
COLUMN_STATS_ACCURATE {\"BASIC_STATS\":\"true\"}
comment This is the page view table
numFiles 0
numPartitions 0
numRows 0
rawDataSize 0
totalSize 0
transient_lastDdlTime 1516797128
# Storage Information
SerDe Library: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat: org.apache.hadoop.mapred.TextInputFormat
OutputFormat: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
Compressed: No
Num Buckets: 31
Bucket Columns: [userid]
Sort Columns: [Order(col:viewtime, order:1)]
Storage Desc Params:
colelction.delim ,
field.delim \t
line.delim \n
mapkey.delim :
serialization.format \t
Time taken: 0.175 seconds, Fetched: 46 row(s)
Hive 使用一个 Inputformat 对象将输入流分割成记录；使用一个 Outputformat 对象将记录格
式化为输出流，使用序列化/反序列化器 SerDe 做记录的解析（记录和列的转换）。
它们的默认值分别是：
Inputformat：org.apache.hadoop.mapred.TextInputFormat
Outputformat：org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
SerDe：org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
4.具体实例
创建内部表
create table mytable (id int, name string)
row format delimited fields terminated by ',' stored as textfile;
创建外部表
create external table mytable2 (id int, name string) row format delimited fields
terminated by ',' location '/user/hive/warehouse/mytable2';
创建分区表
create table mytable3(id int, name string) partitioned by(sex string)
row format delimited fields terminated by ',' stored as textfile;
插入数据
插入男分区数据：load data local inpath '/root/hivedata/mingxing.txt' overwrite into
table mytable3 partition(sex='boy');
插入女分区数据：load data local inpath '/root/hivedata/mingxing.txt' overwrite into
table mytable3 partition(sex='girl');
查询表分区：
show partitions mytable3;
创建分桶表
create table stu_buck(Sno int,Sname string,Sex string,Sage int,Sdept string)
clustered by(Sno) sorted by(Sno DESC) into 4 buckets
row format delimited fields terminated by ',';
使用 like 关键字拷贝表
// 不管老表是内部表还是外部表，new_table 都是内部表
create table new_table like mytable;
// 不管老表是内部表还是外部表，如果加 external 关键字，new_table 都是外部表
create external table if not exists new_table like mytable;
1.2.2.修改表
1.重命名表
语法结构：ALTER TABLE table_name RENAME TO new_table_name
示例：
2.修改表属性
语法结构：
ALTER TABLE table_name SET TBLPROPERTIES table_properties;
table_properties: (property_name = property_value, property_name = property_value, ... )
实例：
ALTER TABLE table_name SET TBLPROPERTIES ('comment' = 'my new students table');
不支持修改表名，和表的数据存储目录
3.修改SerDe信息
语法结构：
ALTER TABLE table_name [PARTITION partition_spec] SET SERDE serde_class_name [WITH
SERDEPROPERTIES serde_properties];
ALTER TABLE table_name [PARTITION partition_spec] SET SERDEPROPERTIES
serde_properties;
serde_properties:
: (property_name = property_value, property_name = property_value, ... )
实例：
更改列分隔符：ALTER TABLE student SET SERDEPROPERTIES ('field.delim' = '-');
4.增加/删除/改变/替换列
语法结构：
ALTER TABLE name ADD COLUMNS (col_spec[, col_spec ...])
ALTER TABLE name CHANGE c_name new_name new_type [FIRST|AFTER c_name]
ALTER TABLE name REPLACE COLUMNS (col_spec[, col_spec ...])
（注意：ADD 是代表新增一字段，字段位置在所有列后面(partition 列前)，REPLACE 则是表
示替换表中所有字段）
示例：
5.增加/删除分区
语法结构：
ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION 'location1' ]
partition_spec [ LOCATION 'location2' ] ...
partition_spec
: PARTITION (partition_col1 = partition_col_value1, partition_col2 = partiton_col_value2, ...)
删除分区语法结构：
ALTER TABLE table_name DROP partition_spec, partition_spec, ...
添加分区示例：
// 不指定分区路径，默认路径
ALTER TABLE student_p ADD partition(part='a') partition(part='b');
// 指定分区路径
ALTER TABLE student_p ADD IF NOT EXISTS
partition(part='bb') location '/myhive_bb' partition(part='cc') location '/myhive_cc';
// 修改分区路径示例
ALTER TABLE student_p partition (part='bb') SET location '/myhive_bbbbb';
// 删除分区示例
ALTER TABLE student_p DROP if exists partition(part='aa');
ALTER TABLE student_p DROP if exists partition(part='aa') if exists partition(part='bb');
最后补充：
1. 防止分区被删除：alter table student_p partition (part='aa') enable no_drop;
2.防止分区被查询：alter table student_p partition (part='aa') enable offline;
enable 和 disable 是反向操作
1.2.3.删除表
语法结构：
DROP TABLE [IF EXISTS] table_name;
命令：drop table if exists mytable;
1.2.4.清空表
语法：
TRUNCATE TABLE table_name [PARTITION partition_spec];
实例：
truncate table student;
truncate table student_ptn partition(city=’beijing’);
1.3.其他辅助命令
| show databases; show databases like 'my*'; | 查看数据库列表 |
| show tables; show tables in db_name; | 查看数据表 |
| show create table table_name; | 查看数据表的建表语句 |
| show functions; | 查看 hive 函数列表 |
| show partitions table_name; show partitions table_name partition(city='beijing') | 查看 hive 表的分区 |
| desc table_name; desc extended table_name; desc formatted table_name; | 查看表的详细信息（元数据信息） |
| desc database db_name; | 查看数据库的详细属性信息 |
| desc database extended db_name; | 查看数据库详细信息 |
| truncate table table_name; | 清空数据表 |
2.DML操作
2.1.Load装载数据
语法结构：
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION(partcol1=val1, partcol2=val2 ...)]
说明：
1.LOAD 操作只是单纯的复制或者移动操作，将数据文件移动到 Hive 表对应的位置。
2.LOCAL 关键字
- 如果指定了 LOCAL， LOAD 命令会去查找本地文件系统中的 filepath。
- 如果没有指定 LOCAL 关键字，则根据 inpath 中的 uri 查找文件
- 注意：uri 是指 hdfs 上的路径，分简单模式和完整模式两种，例如：
- 简单模式：/user/hive/project/data1
- 完整模式：hdfs://namenode_host:9000/user/hive/project/data1
3.filepath：
相对路径，例如：project/data1
绝对路径，例如：/user/home/project/data1
包含模式的完整 URI，列如：hdfs://namenode_host:9000/user/home/project/data1
注意：inpath 子句中的文件路径下，不能再有文件夹。
4.overwrite 关键字
如果使用了 OVERWRITE 关键字，则目标表（或者分区）中的内容会被删除，然后再将
filepath 指向的文件/目录中的内容添加到表/分区中。
如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那么现
有的文件会被新文件所替代。
具体实例：
1. 加载本地相对路径数据
2.加载绝对路径数据
3.加载包含模式数据
4.overwrite 关键字使用
2.2.Insert插入数据
语法结构：
1.插入一条数据：
INSERT INTO TABLE table_name VALUES(XX,YY,ZZ);
2.利用查询语句将结果导入新表：
INSERT OVERWRITE [INTO] TABLE table_name [PARTITION (partcol1=val1, partcol2=val2 ...)]
select_statement1 FROM from_statement
3.多重插入
FROM from_statement
INSERT OVERWRITE TABLE table_name1 [PARTITION (partcol1=val1, partcol2=val2 ...)]
select_statement1
INSERT OVERWRITE TABLE table_name2 [PARTITION (partcol1=val1, partcol2=val2 ...)]
select_statement2] ...
示例：
from mingxing
insert into table mingxing2 select id,name,sex,age
insert into table mingxing select id,name,sex ,age,department ;
从 mingxing 表中，按不同的字段进行查询得的结果分别插入不同的 hive 表
from student
insert into table ptn_student partition(city='MA') select id,name,sex,age,department where
department='MA'
insert into table ptn_student partition(city='IS') select id,name,sex,age,department where
department='IS';
insert into table ptn_student partition(city='CS') select id,name,sex,age,department where
department='CS';
4.分区插入
分区插入有两种，一种是静态分区，另一种是动态分区。如果混合使用静态分区和动态分区，则静态分区必须出现在动态分区之前。现分别介绍这两种分区插入。
静态分区：
- 创建静态分区表
- 从查询结果中导入数据
- 查看插入结果
动态分区：静态分区需要创建非常多的分区，那么用户就需要写非常多的 SQL！Hive 提供了一个动态分区功能，其可以基于查询参数推断出需要创建的分区名称。
- 创建分区表，和创建静态分区表是一样的
- 参数设置
- hive> set hive.exec.dynamic.partition=true;
hive> set hive.exec.dynamic.partition.mode=nonstrict;
- hive> set hive.exec.dynamic.partition=true;
- 注意：动态分区默认情况下是开启的。但是却以默认是”strict”模式执行的，在这种模式
下要求至少有一列分区字段是静态的。这有助于阻止因设计错误导致查询产生大量的分
区。但是此处我们不需要静态分区字段，估将其设为 nonstrict。
对应还有一些参数可设置：
set hive.exec.max.dynamic.partitions.pernode=100; //每个节点生成动态分区最大个数
set hive.exec.max.dynamic.partitions=1000; //生成动态分区最大个数，如果自动分区数大于这个参数，将会报错
set hive.exec.max.created.files=100000; //一个任务最多可以创建的文件数目
set dfs.datanode.max.xcievers=4096; //限定一次最多打开的文件数
set hive.error.on.empty.partition=false; //表示当有空分区产生时，是否抛出异常
小技能补充：如果以上参数被更改过，想还原，请使用 reset 命令执行一次即可
动态数据插入：
// 一个分区字段：
insert into table test2 partition (age) select name,address,school,age from students;
// 多个分区字段：
insert into table student_ptn2 partition(city='sa',zipcode) select id, name, sex, age,
department, department as zipcode from studentss;
注意：查询语句 select 查询出来的动态分区 age 和 zipcode 必须放最后，和分区字段对应，不然结果会出错
查看插入结果
select * from student_ptn2 where city=’sa’ and zipcode=’MA’;
5.CTAS（create table … as select …）
在实际情况中，表的输出结果可能太多，不适于显示在控制台上，这时候，将 Hive 的查询输出结果直接存在一个新的表中是非常方便的，我们称这种情况为 CTAS
展示：CREATE TABLE mytest AS SELECT name, age FROM test;
注意：CTAS 操作是原子的，因此如果 select 查询由于某种原因而失败，新表是不会创建的！
2.3.Insert导出数据
语法结构：
单模式导出：
INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement
多模式导出：
FROM from_statement
INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1
[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2] ...
具体实例：
1.导出数据到本地：
insert overwrite local directory '/home/hadoop/student.txt' select * from studentss;
注意：数据写入到文件系统时进行文本序列化，且每列用^A 来区分，\n 为换行符。用more 命令查看时不容易看出分割符，可以使用: sed -e 's/\x01/\t/g' filename 来查看。
2.导出数据到 HDFS
insert overwrite directory '/student' select * from studentss where age >= 20;
insert overwrite directory 'hdfs://hadoop02:9000/user/hive/warehouse/mystudent' select * from studentss;
2.4.Select查询数据
Hive 中的 SELECT 基础语法和标准 SQL 语法基本一致，支持 WHERE、DISTINCT、GROUP BY、ORDER BY、HAVING、LIMIT、子查询等；
1.select * from db.table1
2.select count(distinct uid) from db.table1
3.支持 select、union all、join（left、right、full join）、like、where、having、各种聚合函数、支持 json 解析
4.UDF（User Defined Function）/ UDAF/UDTF
5.不支持 update 和 delete
6.hive 虽然支持 in/exists（老版本是不支持的），但是 hive 推荐使用 semi join 的方式来代替实现，而且效率更高。
7.支持 case … when …
语法结构：
SELECT [ALL | DISTINCT] select_ condition, select_ condition, ...
FROM table_name a
[JOIN table_other b ON a.id = b.id]
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list | ORDER BY col_list] ]
[LIMIT number]
说明：
1.select_ condition 查询字段
2.table_name 表名
3.order by(字段) 全局排序，因此只有一个 reducer，只有一个 reduce task 的结果，比如文件名是 000000_0，会导致当输入规模较大时，需要较长的计算时间。
4.sort by(字段) 局部排序，不是全局排序，其在数据进入 reducer 前完成排序。因此，如果用 sort by 进行排序，并且设置 mapred.reduce.tasks>1，则 sort by 只保证每个 reducer的输出有序，不保证全局有序。那万一，我要对我的所有处理结果进行一个综合排序，而且数据量又非常大，那么怎么解决？我们不适用 order by 进行全数据排序，我们适用 sort by 对数据进行局部排序，完了之后，再对所有的局部排序结果做一个归并排序。
5. distribute by(字段) 根据指定的字段将数据分到不同的 reducer，且分发算法是 hash 散列。
6.cluster by(字段) 除了具有 Distribute by 的功能外，还会对该字段进行排序。
因此，如果分桶和 sort 字段是同一个时，此时，cluster by = distribute by + sort by，如果我们要分桶的字段和要排序的字段不一样，那么我们就不能使用 clustered by 。
分桶表的作用：最大的作用是用来提高 join 操作的效率；（思考这个问题：select a.id,a.name,b.addr from a join b on a.id = b.id;如果 a 表和 b 表已经是分桶表，而且分桶的字段是 id 字段做这个 join 操作时，还需要全表做笛卡尔积吗？）
具体实例：
1.获取年龄大的三个学生
select id, age,name from student where stat_date= '20140101' order by age desc limit 3;
2.查询学生年龄按降序排序
set mapred.reduce.tasks=4;
select id, age, name from student sort by age desc;
select id, age, name from student order by age desc;
select id, age, name from student distribute by age;
这是分桶和排序的组合操作，对 id 进行分桶，对 age，id 进行降序排序
insert overwrite directory '/root/outputdata6' select * from mingxing2 distribute by id sort by age desc, id desc;
这是分桶操作，按照 id 分桶，但是不进行排序
insert overwrite directory '/root/outputdata4' select * from mingxing2 distribute by id sort by age;
这是分桶操作，按照 id 分桶，并且按照 id 排序
insert overwrite directory '/root/outputdata3' select * from mingxing2 cluster by id;
分桶查询：
指定开启分桶：
set hive.enforce.bucketing = true; // 在旧版本中需要开启分桶查询的开关
指定 reducetask 数量，也就是指定桶的数量
set mapreduce.job.reduces=4;
insert overwrite directory '/root/outputdata3' select * from mingxing2 cluster by id;
3.按学生名称汇总学生年龄
select name, sum(age) from student group by name;
总结：
一、解释三个执行参数
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
set mapreduce.job.reduces=<number>
1.直接使用不带设置值得时候是可以查看到这个参数的默认值：
set hive.exec.reducers.bytes.per.reducer
hive.exec.reducers.bytes.per.reducer：一个 hive，就相当于一次 hive 查询中，每一个
reduce 任务它处理的平均数据量
如果要改变值，我们使用这种方式：
set hive.exec.reducers.bytes.per.reducer=51200000
2.查看设置的最大 reducetask 数量
set hive.exec.reducers.max
hive.exec.reducers.max：一次 hive 查询中，最多使用的 reduce task 的数量
我们可以这样使用去改变这个值：
set hive.exec.reducers.max = 20
3.查看设置的一个 reducetask 常量数量
set mapreduce.job.reduces
mapreduce.job.reduces：我们设置的 reducetask 数量
二、HQL 是否被转换成 MR 的问题
前面说过，HQL 语句会被转换成 MapReduce 程序执行，但是上面的例子可以看出部分HQL 语句并不会转换成 MapReduce，那么什么情况下可以避免转换呢？
1.select * from student; // 简单读取表中文件数据时不会
2.where 过滤条件中只是分区字段时不会转换成 MapReduce
3.set hive.exec.mode.local.auto=true; // hive 会尝试使用本地模式执行
否则，其他情况都会被转换成 MapReduce 程序执行
2.5.Hive Join查询
语法结构：
join_table:
table_reference JOIN table_factor [join_condition]
| table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition
| table_reference LEFT SEMI JOIN table_reference join_condition
Hive 支持等值连接（equality join）、外连接（outer join）和（left/right join）。Hive 不支持非
等值的连接，因为非等值连接非常难转化到 map/reduce 任务。
另外，Hive 支持多于 2 个表的连接。
写查询时要注意以下几点：
1.只支持等值链接，支持 and，不支持 or
例如：
SELECT a.* FROM a JOIN b ON (a.id = b.id)
SELECT a.* FROM a JOIN b ON (a.id = b.id AND a.department = b.department)
是正确的；
然而：SELECT a.* FROM a JOIN b ON (a.id>b.id)是错误的。
2.可以 join 多于 2 个表
例如：
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
如果 join 中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务，例如：
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)
被转化为单个 map/reduce 任务，因为 join 中只使用了 b.key1 作为 join key。
例如：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
而这一 join 被转化为 2 个 map/reduce 任务。因为 b.key1 用于第一次 join 条件，而
b.key2 用于第二次 join。
3.Join 时，每次 map/reduce 任务的逻辑
reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。例如：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)，所有表都使用同一个 join key（使用 1 次 map/reduce 任务计算）。Reduce 端会缓存 a 表和 b 表的记录，然后每次取得一个 c 表的记录就计算一次 join 结果，类似的还有：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)，这里用了 2 次 map/reduce 任务：第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。
4.HiveJoin 分三种：inner join, outer join, semi join
其中：outer join 包括 left join，right join 和 full outer join,主要用来处理 join 中空记录的情况
示例：
创建两张表：
create table tablea (id int, name string) row format delimited fields terminated by ',';
create table tableb (id int, age int) row format delimited fields terminated by ',';
准备数据：
先准备两份数据，例如
tablea 表数据：
1,huangbo
2,xuzheng
4,wangbaoqiang
6,huangxiaoming
7,fengjie
10,liudehua
tableb 表的数据：
2,20
4,50
7,80
10,22
12,33
15,44
分别导入数据 a.txt 到 tablea 表，b.txt 到 tableb 表
数据准备完毕
load data local inpath '/home/hadoop/a.txt' into table tablea;
load data local inpath '/home/hadoop/b.txt' into table tableb;
Join 演示
a)inner join（内连接）（把符合两边连接条件的数据查询出来）
select * from tablea a inner join tableb b on a.id=b.id;
b)left join（左连接，等同于 left outer join）
以左表数据为匹配标准，左大右小
匹配不上的就是 null
返回的数据条数与左表相同
HQL 语句：select * from tablea a left join tableb b on a.id=b.id;
c)right join（右连接，等同于 right outer join）
以右表数据为匹配标准，左小右大
匹配不上的就是 null
返回的数据条数与右表相同
HQL 语句：select * from tablea a right join tableb b on a.id=b.id;
e)left semi join（左半连接）（因为 hive 不支持 in/exists 操作（1.2.1 版本的 hive 支持
in 的操作），所以用该操作实现，并且是 in/exists 的高效实现）
select * from tablea a left semi join tableb b on a.id=b.id;
f)full outer join（完全外链接）
select * from tablea a full outer join tableb b on a.id=b.id;
237
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
