复习总结02：Hive

复习Hive：主要是HSQL语句，MySQL数据库语句。Hive的数据都自动存储在HDFS上的

Hive:

1. 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。

2. 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。

3. 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。

4. 数据更新。 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。

5. 索引。之前已经说过，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。

6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的，而数据库通常有自己的执行引擎。

7. 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。

8. 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（世界上最大的 Hadoop 集群在 Yahoo!，2009年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。

9. 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。

常用操作：

./beeline  退出用!quit

MySQL中删掉hive，然后重新create database hive;即可成为空数据库；必须执行alter database hivecharacter set latin1;

才可以使用数据库建立新数据库hive，并且正常使用。

用hsql语言来执行hdfs里数据的操作，运算框架是MR

show variables like 'char%';

alter database hive character set latin1;

create table texta(id int ,name string)  row format delimited fields terminated by ',';       //创建内部表

create external table textb(id int,name string)  row format delimited fields terminated by ','     //创建外部表 不写location，默认和内部表放在一起

load data local inpath '/home/hadoop/sz.dat' into table texta;    

 //将本地的数据文件，导入hive数据表中。实质是把此文件从本地 put 到  hdfs的/user/hive/warehouse/texta  文件夹下

load data inpath 'hdfs://server:9000/sz.dat' into table textb;

//将hdfs上的数据文件，导入hive的数据表中。实质是把此文件  mv  到  /user/hive/warehouse/textb 文件夹下

所谓导入：即是把数据文件放在hdfs的数据库下面

保存数据结果的语法(用insert)：

1、将查询结果保存到一张新的hive表中  create table t_tmp as select * from t_p;

2、将查询结果保存到一张已经存在的hive表中  insert into table t_tmp select * from t_p;

3、将查询结果保存到指定的文件目录（可以是本地，也可以是hdfs）

insert overwrite local directory '/home/hadoop/test' select * from t_p;

insert overwrite directory '/aaa/test' select * from t_p;

创建的内部表和外部表区别：

内部表位置固定；外部表不一定，自定义。表名可以不同于文件夹名

①inner join：

select * from a          innner join b       on a.id = b.id;

②left join :

select * from a             left join b         on a.id = b.id;

③right join :

select * from a             right join b       on a.id = b.id;

④full outer

select * from a          full outer join b   on a.id = b.id;

一、

#创建分桶表

create table stu_buck(id  int,  name string,  sex string,   age int,   dept string)

clustered by(id) 

sorted by(sno DESC)

into 4 buckets

row format delimited

fields terminated by ',';

#设置变量,设置分桶为true, 设置reduce数量是分桶的数量个数

set hive.enforce.bucketing = true;

set mapreduce.job.reduces=4;

#下面插入数据：

insert into table stu_buck  select id, name, sex, age, sdept from student distribute by(sno) sort by(sno asc);

往创建的分通表插入数据(插入数据需要是已分桶, 且排序的) 

可以使用distribute by(sno)  sort by(sno asc)  

或是排序和分桶的字段相同的时候使用Cluster by(字段)  

换句话说就是：使用cluster by  就等同于分桶+排序(sort)

select id,name from t_p sort by(id)

A：将一张普通的表，设置了分桶和reduces数目，然后执行查询；

B：然后将次查询内容插入到分桶的表t_buck；后发现hdfs上分为4个文件来存储    

按照id cluster by(id)插入后四个文件分别存储的数据如下：

0_0： 11，4，8     

1_0： 1，12，5，9   

2_0： 2，6   

3_0： 10，3，7

二、各种排序

1、order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。

2、sort by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。

3、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。

4、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

分桶表的作用：最大的作用是用来提高join操作的效率；

三、关于join

left join(左联接) 返回包括左表中的所有记录和右表中联结字段相等的记录 
right join(右联接) 返回包括右表中的所有记录和左表中联结字段相等的记录
inner join(等值连接) 只返回两个表中联结字段相等的行

full outer：两表都输出，不存在的字段为null。可用于两表比较

四、关于HSQL的常用算法语句

select id ,name from textb;

hive中常用的数值型，字符串型运算，和逻辑运算等

①常用关系运算

=等于    <>不等于   < 小于  >大于   <=小于等于   >=大于等于   is not null 非空   like比较

②逻辑运算  

and 与运算  or 或运算   not非运算

③数值运算，数学运算，日期函数

五、UDF自定义函数（可能由于jdk版本与hive版本不同出现 code -101代码错误。本人还没找到解决方案）

transform案例:

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）。

①在类内编写重载函数(或者只有一个)------>因为语句会将该类变成一个函数名，那么要求只能有一个函数，可通过重载实现多个函数功能。

②打包上传到服务器后，添加，执行语句----->add JAR /home/hadoop/test.jar;

③添加后，创建临时函数test---->create temporary function test as 'cn.incast.hadoop.udf.ToLowerCase';

④执行函数，实现业务逻辑---->select phone,localadr,ID,test(phone) from table_test; 将该表：phone, localadr, ID, phone作为参数运算后的数据 等都作为一个表内容显示出来。

备注：这样可以通过自定义函数，实现我们想要的业务逻辑，只需在hive中对操作的元素执行函数即可。更加实用，具象，解决了只用HSQ来操作数据的复杂。

select test(line) from test