Hive&Kylin数据源总结

                                                            Hive&Kylin

 

一、Hive

Hive就是对hdfs的数据进行mapreduce操作。hive就是一个数据仓库，运行时元数据信息存储在关系型数据库。（HSQL）

1.Hive与数据库的异同：

• 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。
• 数据存储位置。Hive是建立在Hadoop之上的，所有Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
• 数据格式。Hive中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive中默认有三个文件格式TextFile，SequenceFile以及RCFile）。由于在加载数据的过程中，不需要从用户数据格式到Hive定义的数据格式的转换，因此，
  。Hive在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的HDFS目录中
  。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时
• 数据更新。由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用INSERT INTO ... VALUES添加数据，使用UPDATE ... SET修改数据。
• 索引。Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于MapReduce的引入， Hive可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了Hive不适合在线数据查询。
• 执行。Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的（类似select * from tbl的查询不需要MapReduce）。而数据库通常有自己的执行引擎。
• 执行延迟。之前提到，Hive在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致Hive执行延迟高的因素是MapReduce框架。由于MapReduce本身具有较高的延迟，因此在利用MapReduce执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。
• 可扩展性。由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的。而数据库由于ACID语义的严格限制，扩展行非常有限。
• 数据规模。由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

2.HSQL的简单用法

• 创建表

hive>create table tablename(id int,name string,password string);

 

• 创建表时指定分隔符

hive> create table tablename(name string,password string)row format delimited fields terminated by ‘,’;

(指定源数据的分隔符为"逗号")

• 加载表

hive> load data inpath ‘/user/hadoop/output7/part-r-00000’ into table tablename;

• 创建一个新表，结构与table01一样

hive> create table table02 like table01;

• 创建分区表

hive> create table tablename(id int,line string) partitioned by (dt string,country string);

• 显示表里有多少条记录

hive>select count(*) from tablename where count>50;

• 排序用法：order by

select * from tablename where count > 50 order by count;

• 显示表中有多少分区

hive> show partitions tablename;

• 显示所有表

hive> show tables;

• 显示所有以t开头的表

hive> show tables ‘t*’;

• 显示表的结构信息

hive> describe tablename;

• 修改表的名字

hive> alter table table01 rename to table02;

• 在原表上添加一列

hive> alter table tablename add columns(new_col2 int comment ‘a commment’);

hive> alter table tablename add columns(new_col3 int);

• 删除表

hive> drop table tablename;

• 从本地文件加载数据

hive> LOAD DATA LOCAL INPATH ‘/home/hadoop/input/sample.txt’ OVERWRITE INTO TABLE records;

• 加载分区表

hive> load data inpath ‘/user/hive/warehouse/part-r-00000’ overwrite into table clickstream_log PARTITION(dt = ‘2018-11-30’);

• 显示所有函数

hive> show functions;

• 查看函数的用法

hive> describe function substr;

• 查看数组、map、结构

hive> select col1[0],col2[‘b’],col3.c from complex;

• 内连接

hive> SELECT sales., things. FROM sales JOIN things ON (sales.id = things.id);

• 外连接

hive> SELECT sales., things. FROM sales LEFT OUTER JOIN things ON (sales.id = things.id);

hive> SELECT sales., things. FROM sales RIGHT OUTER JOIN things ON (sales.id = things.id);

hive> SELECT sales., things. FROM sales FULL OUTER JOIN things ON (sales.id = things.id);

• Left seml join （相当于in查询）

 

四、Kylin（麒麟）

1、Kylin是一个开源的分布式分析引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力，也可以说Kylin就是基于Hadoop平台。Kylin对海量数据进行OLAP引擎（Hive、presto、SparkSql）查询。核心思想是:预计算

2、处理过程

• 数据源（Hive、kafka）
• 计算：构建多维立方体用MapReduce
• 存储：Hbase
• SQL查询解析：kylin SQL解析器

 

3、事实表、维度表

• 事实表：（Fact Table）是指存储有事实记录的表，如系统日志、销售记录等；事实表的记录在不断地动态增长，所以它的体积通常远大于其他表。
• 维度表：将事实表上经常重复出现的属性抽取、规范出来用一张表进行管理。常见的维度表有：日期表（存储与日期对应的周、月、季度等的属性）、地点表（包含国家、省／州、城市等属性）等。

4、查询语法

• count用于统计数据

SELECT COUNT(*) FROM kylin_sales;

• Distinct：去重

SELECT COUNT(DISTINCT seller_id) FROM kylin_sales;

 

• As：起别名

SELECT lstg_format_name, SUM(price) AS gmv, COUNT(DISTINCT seller_id) AS dist_seller FROM kylin_sales WHERE lstg_format_name='FP-GTC' GROUP BY lstg_format_name HAVING COUNT(DISTINCT seller_id) > 50;

• join：连接表

SELECT kylin_cal_dt.cal_dt FROM kylin_sales INNER JOIN kylin_cal_dt AS kylin_cal_dt ON kylin_sales.part_dt = kylin_cal_dt.cal_dt WHERE kylin_cal_dt.cal_dt BETWEEN DATE '2013-01-01' AND DATE '2013-06-04';

• between...and

SELECT kylin_cal_dt.cal_dt FROM kylin_sales INNER JOIN kylin_cal_dt AS kylin_cal_dt ON kylin_sales.part_dt = kylin_cal_dt.cal_dt WHERE kylin_cal_dt.cal_dt BETWEEN DATE '2013-01-01' AND DATE '2013-06-04';

• and、or

SELECT kylin_sales.lstg_format_name, SUM(kylin_sales.price) AS gmv, COUNT(*) AS trans_cnt FROM kylin_sales WHERE kylin_sales.lstg_format_name IS NOT NULL GROUP BY kylin_sales.lstg_format_name HAVING SUM(price)>5000 OR COUNT(*)>20;

• group by

SELECT seller_id, COUNT(1) FROM kylin_sales GROUP BY seller_id;

• limit限制查询

SELECT lstg_format_name, SUM(price) AS gmv, COUNT(1) AS trans_cnt FROM kylin_sales WHERE lstg_format_name='FP-GTC' GROUP BY lstg_format_name ORDER BY lstg_format_name LIMIT 10;

5、表连接

• 内连接（在表中存在至少一个匹配，inner join关键字返回行）：

SELECT kylin_cal_dt.cal_dt, kylin_sales.price FROM kylin_sales INNER JOIN kylin_cal_dt AS kylin_cal_dt ON kylin_sales.part_dt**** = kylin_cal_dt.cal_dt;

• 左连接

SELECT seller_id FROM kylin_sales LEFT JOIN kylin_category_groupings AS kylin_category_groupings ON kylin_sales.leaf_categ_id = kylin_category_groupings.leaf_categ_id AND kylin_sales.lstg_site_id = kylin_category_groupings.site_id WHERE lstg_format_name='FP-GTC' GROUP BY seller_id LIMIT 20;

• UNION

UNION 操作符用于合并两个或多个 SELECT 语句的结果集。

注意 UNION 内部的 SELECT 语句必须拥有相同数量的列。列也必须拥有相似的数据类型。同时，每条 SELECT 语句中的列的顺序必须相同。

默认地，UNION 操作符选取不同的值。如果允许重复的值，请使用 UNION ALL。