SELECT基础
- SELECT用于映射符合指定查询条件的行
- Hive SELECT是数据库标准SQL的子集
1.使用方法类似于MySQL
2.关键字和MySQL一样,不区分大小写
3.limit子句
4.where子句
5.运算符、like、rlike
6.group by子句
7.having子句
Hive的语句的书写顺序
(1)select
(2)from
(3)join on
(4) where
(5)group by
(6)having
(7)distribute by/cluster by
(8) sort by
(9) order by
(10) limit
(11) union(去重不排序)/union all(不去重不排序)
- 演示示例
SELECT 1;
SELECT * FROM table_name;
SELECT id,name,age FROM people WHERE age>20;
SELECT * FROM employee WHERE name!='Lucy' LIMIT 5;
select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
select deptno, avg(sal) avg_sal from emp group by deptno having
avg_sal > 2000;
语句的执行顺序
(1)from
(2)on
(3)join
(4)where
(5)group by
(6)having
(7)select
(8)distinct
(9)distribute by /cluster by
(10)sort by
(11) order by
(12) limit
(13) union /union all
CTE和嵌套查询
- CTE
-- CTE语法
WITH t1 AS (SELECT …) SELECT * FROM t1;
-- CTE演示
with tab1 as (select id,name,age from people)
select * from tab1;
- 嵌套查询
SELECT * FROM (SELECT * FROM employee) a;
关联查询
- 内连接:展示的是两个表的公共部分
select * from student s join score sc on s.stu_id=s.stu_id;
- 外连接:
外连接分为左连接和右连接和全连接 - 左连接:是以左边的表为主,拿右边的表和它连接.左表是不会有改动的
2.右连接:是以右边的表为主,拿左边的表和它连接.右表是不会有改动的
3.全连接:全连接分为union和union all
使用union 时,完全相等的行,将会被合并,union all 不会将相等的行进行合并; - 交叉连接
select * from table1 ,table2;
使用这种连接会出现笛卡尔积,建议不要使用;
- 隐式连接
Mapjoin
- 使用Mapjoin的场景:
很小的一个表和一个大表进行join.小表的大小可以通过hive.mapjoin.smalltable.filesize来决定,该参数表示小表的总大小,默认值为25M. - Mapjoin的优势:
使用Map中的Combiner进行合并,省去的Shuffle和Reduce的过程,大大的提高了性能 - Mapjoin的过程:
将小表放入缓存中,在客户端本地执行的Task中读取小表的数据,将其转换成一个HashTable的数据结构,并写入本地的文件中,之后将该文件加载到DistributeCache(分布式文件缓存)中,DistributeCache会将小表分发到各个节点上,然后启动MapTask扫描大表的数据,在Map阶段,根据DistributeCache中小表对应的HashTable的每一条记录去和大表的每一条记录关联,并直接输出结果。
因为没有reduce使用输出的结果的个数和MapTask的个数有关(PS:MapTask的个数和逻辑分片的个数有关) - MAPJOIN不支持的操作:
在UNION ALL, LATERAL VIEW, GROUP BY/JOIN/SORT BY/CLUSTER BY/DISTRIBUTE BY等操作后面
在UNION, JOIN 以及其他 MAPJOIN之前
装载数据
INSERT OVERWRITE TABLE test select ‘hello’; – INSERT不支持的写法
insert into employee select * from ctas_employee; – 通过查询语句插入
– 多插入(高性能:只需扫描一次输入数据)
from ctas_employee
insert overwrite table employee select *
insert overwrite table employee_internal select *;
– 插入到分区
from ctas_patitioned
insert overwrite table employee PARTITION (year, month)
select *,‘2018’,‘09’;
– 通过指定列插入(insert into可以省略table关键字)
insert into employee(name) select ‘John’ from test limit 1;
– 通过指定值插入
insert into employee(name) value(‘Judy’),(‘John’);
Hive数据插入文件
使用insert语句将数据插入/导出到文件
文件插入只支持OVERWRITE
支持来自同一个数据源/表的多次插入
LOCAL:写入本地文件系统
默认数据以TEXT格式写入,列由^A分隔
支持自定义分隔符导出文件为不同格式,CSV,JSON等
-- 从同一数据源插入本地文件,hdfs文件,表
from ctas_employee
insert overwrite local directory '/tmp/out1' select *
insert overwrite directory '/tmp/out1' select *
insert overwrite table employee_internal select *;
-- 以指定格式插入数据
insert overwrite directory '/tmp/out3'
row format delimited fields terminated by ','
select * from ctas_employee;
-- 其他方式从表获取文件
hdfs dfs -getmerge <table_file_path>
Hive数据交换
- IMPORT和EXPORT的应用场景
IMPORT和EXPORT用于数据导入和导出,常用于数据迁移场景除数据库,可导入导出所有数据和元数据 - 使用EXPORT导出数据
EXPORT TABLE employee TO '/tmp/output3';
EXPORT TABLE employee_partitioned partition (year=2014, month=11) TO '/tmp/output5';
- 使用IMPORT导入数据
IMPORT TABLE employee FROM '/tmp/output3';
IMPORT TABLE employee_partitioned partition (year=2014, month=11) FROM '/tmp/output5';
Hive的数据排序
- Order by
ORDER BY (ASC|DESC)类似于标准SQL
1.只使用一个Reducer执行全局数据排序
2.速度慢,应提前做好数据过滤
3.支持使用CASE WHEN或表达式
4.支持按位置编号排序 - sort by
sort by 通常和DISTRIBUTE BY 两个联合使用,distribute by 是用来分区的,因为sort by可以使用多个reduce 来进行并行排序,这样使用distribute by可以确保具有匹配列值的行被分区到相同的Reducer,不会对每个Reducer的输出进行排序,通常使用在SORT BY语句之前
SELECT department_id , name, employee_id, evaluation_score
FROM employee_hr
DISTRIBUTE BY department_id SORT BY evaluation_score DESC;
- cluster by
CLUSTER BY = DISTRIBUTE BY + SORT BY.当distribute by和sort by的字段相同时,可以使用cluster by代替。
select userid, age, salary
from database.table
cluster by age
上面代码中,意思是按照将数据按照age指定到同一个reducer中后,再在reducer内按照age进行排序。但是有一个限制就是,只能是生序排序,不能指定asc或者desc的排序方式。