HiveQL是一种类似SQL的语言,它与大部分的SQL语法兼容,但是并不完全支持SQL标准,如HiveQL不支持更新操作,也不支持索引和事务,它的子查询和join操作也很局限,这是因其底层依赖于Hadoop云平台这一特性决定的,但其有些特点是SQL所无法企及的。例如多表查询、支持create table as select和集成MapReduce脚本等,本节主要介绍Hive的数据类型和常用的HiveQL操作。
一、hive client命令
1.hive命令参数
-e: 命令行sql语句 -f: SQL文件 -h, --help: 帮助 --hiveconf: 指定配置文件 -i: 初始化文件 -S, --silent: 静态模式(不将错误输出) -v,--verbose: 详细模式
2.交互模式
hive> show tables; #查看所有表名 hive> show tables 'ad*' #查看以'ad'开头的表名 hive> set 命令 #设置变量与查看变量; hive> set -v #查看所有的变量 hive> set hive.stats.atomic #查看hive.stats.atomic变量 hive> set hive.stats.atomic=false #设置hive.stats.atomic变量 hive> dfs -ls #查看hadoop所有文件路径 hive> dfs -ls /user/hive/warehouse/ #查看hive所有文件 hive> dfs -ls /user/hive/warehouse/ptest #查看ptest文件 hive> source file <filepath> #在client里执行一个hive脚本文件 hive> quit #退出交互式shell hive> exit #退出交互式shell hive> reset #重置配置为默认值 hive> !ls #从Hive shell执行一个shell命令
二、操作及函数
查看函数: hive> show functions; 正则查看函数名: show functions 'xpath.*'; 查看具体函数内容: describe function xpath; | desc function xpath;
三、字段类型
Hive支持基本数据类型和复杂类型,基本数据类型主要有数值类型(INT、FLOAT、BOUBLE)、布尔型和字符型,复杂类型有三种:ARRAY、MAP和STRUCT。
1.基本数据类型
TINYINT:1个字节
SMALLINT:2个字节
INT:4个字节
BIGINT:8个字节
BOOLEAN:TRUE/FALSE
FLOAT:4个字节,单精度浮点型
BOUBLE:8个字节,双精度浮点型
STRING 字符串
2.复杂数据类型
ARRAY:有序字段
MAP:无序字段
STRUCT:一组命名的字段
四、表类型
Hive表大致分为普通表、外部表、分区表三种。
1.普通表
----创建普通表,并且中间以空格隔开,存储格式为textfile---- CREATE TABLE test_1(id INT, name STRING, city STRING) SORTED BY TEXTFILE ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ ;
创建表 hive> create table tb_person(id int, name string); 创建表并创建分区字段ds hive> create table tb_stu(id int, name string) partitioned by(ds string); 查看分区 hive> show partitions tb_stu; 显示所有表 hive> show tables; 按正则表达式显示表, hive> show tables 'tb_*'; 表添加一列 hive> alter table tb_person add columns (new_col int); 添加一列并增加列字段注释 hive> alter table tb_stu add columns (new_col2 int comment 'a comment'); 更改表名 hive> alter table tb_stu rename to tb_stu; 删除表(hive只能删分区,不能删记录或列 ) hive> drop table tb_stu; 对于托管表, drop 操作会把元数据和数据文件删除掉, 对于外部表, 只是删除元数据。如果只要删除表中的数据, 保留表名可以在 HDFS 上删除数据文件: hive> dfs –rmr /user/hive/warehouse/mutill1/*
数据加载的例子:
将本地/home/hadoop/ziliao/stu.txt文件中的数据加载到表中,stu.txt文件数据如下:
1 zhangsan
2 lisi
3 wangwu
将文件中的数据加载到表中
hive> load data local inpath '/home/hadoop/ziliao/stu.txt' overwrite into table tb_person;
加载本地数据,同时给定分区信息
hive> load data local inpath '/home/hadoop/ziliao/stu.txt' overwrite into table tb_stu partition (ds='2008-08-15');
备注:如果导入的数据在HDFS上,则不需要local关键字。托管表导入的数据文件可在数据仓库目录"/user/hive/warehouse/<tablename>"中看到。
查看数据
hive> dfs -ls /user/hive/warehouse/tb_stu hive> dfs -ls /user/hive/warehouse/tb_person
2.外部表
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),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。
eg.创建外部表:
create external table tb_record(col1 string, col2 string) row format delimited fields terminated by '\t' location '/user/hadoop/input';
这样表tb_record的数据就是hdfs://user/hadooop/input/*的数据了。
3.分区表
分区是表的部分列的集合,可以为频繁使用的数据建立分区,这样查找分区中的数据时就不需要扫描全表,这对于提高查找效率很有帮助。
创建分区:create table log(ts bigint,line string) partitioned by(name string);
插入分区:insert overwrite table log partition(name='xiapi') select id from userinfo where name = 'xiapi';
查看分区:show partitions log;
删除分区:alter table ptest drop partition(name = 'xiapi')
(删除分区:alter table xxx drop if exists partition(year=2012,month=10, day=1))
备注:通常情况下需要先预先创建好分区,然后才能使用该分区。还有分区列的值要转化为文件夹的存储路径,所以如果分区列的值中包含特殊值,如'%',':','/','#',它将会被使用%加上2字节的ASCII码进行转义。
五、sql操作及桶
1.创建表
首先建立三张测试表:
userinfo表中有两列,以tab键分割,分别存储用户的id和名字name;
classinfo表中有两列,以tab键分割,分别存储课程老师teacher和课程名classname;
choice表中有两列,以tab键分割,分别存储用户的userid和选课名称classname(类似中间表)。
创建测试表:
hive> create table userinfo(id int,name string) row format delimited fields terminated by '\t'; hive> create table classinfo(teacher string,classname string) row format delimited fields terminated by '\t'; hive> create table choice(userid int,classname string) row format delimited fields terminated by '\t';
注:'\t'相当于一个tab键盘。
显示刚才创建的数据表:
hive> show tables;
2.导入数据
建表后,可以从本地文件系统或HDFS中导入数据文件,导入数据样例如下:
userinfo.txt内容如下(数据之间用tab键隔开):
1 xiapi
2 xiaoxue
3 qingqing
classinfo.txt内容如下(数据之间用tab键隔开):
jack math
sam china
lucy english
choice.txt内容如下(数据之间用tab键隔开):
1 math
1 china
1 english
2 china
2 english
3 english
首先在本地"/home/hadoop/ziliao"下按照上面建立三个文件,并添加如上的内容信息。
3.按照下面导入数据:
hive> load data local inpath '/home/hadoop/ziliao/userinfo.txt' overwrite into table userinfo; hive> load data local inpath '/home/hadoop/ziliao/classinfo.txt' overwrite into table classinfo; hive> load data local inpath '/home/hadoop/ziliao/choice.txt' overwrite into table choice;
查询表数据
hive> select * from userinfo; hive> select * from classinfo; hive> select * from choice;
4.分区
a.创建分区 hive> create table ptest(userid int) partitioned by (name string) row format delimited fields terminated by '\t'; b.准备导入数据 xiapi.txt内容如下(数据之间用tab键隔开): 1 c.导入数据 hive> load data local inpath '/home/hadoop/ziliao/xiapi.txt' overwrite into table ptest partition (name='xiapi'); d.查看分区 hive> dfs -ls /user/hive/warehouse/ptest/name=xiapi; e.查询分区 hive> select * from ptest where name='xiapi'; f.显示分区 hive> show partitions ptest; g.对分区插入数据(每次都会覆盖掉原来的数据): hive> insert overwrite table ptest partition(name='xiapi') select id from userinfo where name='xiapi'; h.删除分区 hive> alter table ptest drop partition (name='xiapi')
5.桶
可以把表或分区组织成桶,桶是按行分开组织特定字段,每个桶对应一个reduce操作。在建立桶之前,需要设置"hive.enforce.bucketing"属性为true,使hive能够识别桶。
在表中分桶的操作如下:
hive> set hive.enforce.bucketing=true; hive> set hive.enforce.bucketing; hive.enforce.bucketing=true; hive> create table btest2(id int, name string) clustered by(id) into 3 buckets row format delimited fields terminated by '\t';
向桶中插入数据,这里按照用户id分了三个桶,在插入数据时对应三个reduce操作,输出三个文件。
hive>insert overwrite table btest2 select * from userinfo;
查看数据仓库下的桶目录,三个桶对应三个目录。
hive>dfs -ls /user/hive/warehouse/btest2;
Hive使用对分桶所用的值进行hash,并用hash结果除以桶的个数做取余运算的方式来分桶,保证了每个桶中都有数据,但每个桶中的数据条数不一定相等,如下所示。
hive>dfs -cat /user/hive/warehouse/btest2/*0_0; hive>dfs -cat /user/hive/warehouse/btest2/*1_0; hive>dfs -cat /user/hive/warehouse/btest2/*2_0;
分桶可以获得比分区更高的查询效率,同时分桶也便于对全部数据进行采样处理。下面是对桶取样的操作。
hive> select * from btest2 tablesample(bucket 1 out of 3 on id);
六、多表插入
多表插入指的是在同一条语句中,把读取的同一份元数据插入到不同的表中。只需要扫描一遍元数据即可完成所有的插入操作,效率很高。多表操作示例如下。
hive> create table mutill as select id,name from userinfo; #有数据 hive> create table mutil2 like mutill; #无数据,只有表结构 hive> from userinfo insert overwrite table mutill select id,name insert overwrite table mutil2 select count(distinct id),name group by name;
七、连接
连接是将两个表中在共同数据项上相互匹配的那些行合并起来,HiveQL连接分为内连接、左向外连接、右向外连接、全外连接和半连接5种。
1.内连接(等值连接)
内连接使用比较运算符根据每个表共有的列的值匹配两个表中的行。
例如,检索userinfo和choice表中标识号相同的所有行。
hive> select userinfo.*, choice.* from userinfo join choice on(userinfo.id=choice.userid);
2.左连接
左连接的结果集包括"LEFT OUTER"子句中指定的左表的所有行,而不仅仅是连接列所匹配的行。如果左表的某行在右表中没有匹配行,则在相关联的结果集中右表的所有选择列均为空值。
hive> select userinfo.*, choice.* from userinfo left outer join choice on(userinfo.id=choice.userid);
3.右连接
右连接是左向外连接的反向连接,将返回右表的所有行。如果右表的某行在左表中没有匹配行,则将为左表返回空值。
hive> select userinfo.*, choice.* from userinfo right outer join choice on(userinfo.id=choice.userid);
4.全连接
全连接返回左表和右表的所有行。当某行在另一表中没有匹配行时,则另一个表的选择列表包含空值。如果表之间有匹配行,则整个结果集包含基表的数据值。
hive> select userinfo.*, choice.* from userinfo full outer join choice on(userinfo.id=choice.userid);
5.半连接
半连接是Hive所特有的,Hive不支持IN操作,但是拥有替代的方案;left semi join,称为半连接,需要注意的是连接的表不能在查询的列中,只能出现在on子句中。
hive> select userinfo.* from userinfo left semi join choice on (userinfo.id=choice.userid);
八、子查询
标准SQL的子查询支持嵌套的select子句,HiveQL对子查询的支持很有限,只能在from引导的子句中出现子查询。如下语句在from子句中嵌套了一个子查询(实现了对教课最多的老师的查询)。
hive>select teacher,MAX(class_num) from (select teacher, count(classname) as class_num from classinfo group by teacher) subq group by teacher;