hive 修改cluster by算法_大数据分析工具Hive常用语法汇总

本文大纲

hive知识点

• Hive简介

• 创建hive表

  • 创建分区表

  • 删除分区

• 创建orc存储格式表

  • 1) 临时表testfile存储格式

  • 2) 导入数据到orc表

  • select 排除字段

• UDF用法

  • 查看函数用法

  • map、struct、array 这3种的用法

  • UDAF用法

• hive hbase 关联

• hive -e 用法

• 字段变更

  • 添加字段

  • 删除字段

• hive-1.2.1 支持insert,update,delete的配置

• hive表中的锁

• 基本知识

• 导入数据到hive表

  • load命令

  • orc格式表

• map,reduce知识

• hive 优化

• hive on spark 知识

  • 参数调优

• 字符串处理

• hive 中 join

  • Hive中Join的原理和机制

  • Hive Common Join

  • Hive Map Join

• 转义字符

• insert table select from

• explain 查看执行计划

• 常用 sql 查询

  • explode 一行变多行

  • 分组后取 top N

  • case when 用法

hive知识点

工作中hive常用知识点。

Hive简介

hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

具体Hive简介安装可以看前面的一篇文章：扼住内存的咽喉，大数据分析工具Hive——真香

创建hive表

# 新建个数据库test

这里创建了一个名为test的hive外部表，外部表与普通表的区别：

1. 在导入数据到外部表，数据并没有移动到自己的数据仓库目录下，也就是说外部表中的数据并不是由它自己来管理的！而表则不一样；

2. 在删除表的时候，Hive将会把属于表的元数据和数据全部删掉；而删除外部表的时候，Hive仅仅删除外部表的元数据，数据是不会删除的！那么，应该如何选择使用哪种表呢？在大多数情况没有太多的区别，因此选择只是个人喜好的问题。但是作为一个经验，如果所有处理都需要由Hive完成，那么你应该创建表，否则使用外部表！

创建分区表

通过partition关键字指定分区字段，分区表方便hive快速查询索引数据。

create 

这里指定了两个分区：dt和hour，对应hdfs的2级目录dt,hour：

hadoop@qcloud-test-hadoop01 ~]$ hdfs dfs -ls -R /hive/warehouse/test.db/test

删除分区

ALTER 

动态分区插入

例子

create 

创建orc存储格式表

hive创建orc格式表不能像textfile格式一样直接load数据到表中，一般需要创建临时textfile表，然后通过insert into 或者insert overwrite到orc存储格式表中。

1) 临时表testfile存储格式

create 

test.txt

001	keguang

load data local inpath '/home/hadoop/data/test.txt' into table test.test partition(dt = '2019-09-10', hour = '02');

2) 导入数据到orc表

create 

insert select 导入数据

insert overwrite 

这里(dt|hour)?+.+表示排除dt,hour两个字段，由于动态分区partition(dt, hour)是按照select出来的最后2个字段作为分区字段的。其实这里select * 也是可以的，因为分区表查询结果，最后两个字段就是分区字段。

from test.test2;

所以说，非textfile存储格式表导入数据步骤：

1. 导入数据到textfile

2. 查询数据插入orc格式表

select 排除字段

选择tableName表中除了name、id、pwd之外的所有字段

set hive.support.quoted.identifiers=

UDF用法

添加临时函数

add jar /home/hadoop/codejar/flash_format.jar;
create temporary function gamelabel as 'com.js.dataclean.hive.udf.hm2.GameLabel';

删除临时函数

drop 

添加永久函数

create 

注意：需要指定数据库.函数名，即hm2.gamelabel，否则默认在default数据库下面：default.gamelabel

删除永久函数：

drop 

如果客户端通过hiveserver2连接hive，为了正常使用自定义的永久udf，需要执行reload function；

查看函数用法

查month 相关的函数

show 

查看 add_months 函数的用法

desc 

查看 add_months 函数的详细说明并举例

desc 

Hive常用数据结构

一、map、struct、array 这3种的用法：

1、Array的使用

1. 创建数据库表，以array作为数据类型

2. create table  person(name string,work_locations array)

3. ROW FORMAT DELIMITED

4. FIELDS TERMINATED BY '\t'

5. COLLECTION ITEMS TERMINATED BY ',';

6. 数据

7. biansutao beijing,shanghai,tianjin,hangzhou

8. linan changchu,chengdu,wuhan

9. 入库数据

10. LOAD DATA LOCAL INPATH '/home/hadoop/person.txt' OVERWRITE INTO TABLE person;

11. 查询

12. hive> select * from person;

13. biansutao       ["beijing","shanghai","tianjin","hangzhou"]

14. linan   ["changchu","chengdu","wuhan"]

15. Time taken: 0.355 seconds

16. hive> select name from person;

17. linan

18. biansutao

19. Time taken: 12.397 seconds

20. hive> select work_locations[0] from person;

21. changchu

22. beijing

23. Time taken: 13.214 seconds

24. hive> select work_locations from person;   

25. ["changchu","chengdu","wuhan"]

26. ["beijing","shanghai","tianjin","hangzhou"]

27. Time taken: 13.755 seconds

28. hive> select work_locations[3] from person;

29. NULL

30. hangzhou

31. Time taken: 12.722 seconds

32. hive> select work_locations[4] from person;

33. NULL

34. NULL

35. Time taken: 15.958 seconds

2、Map 的使用

1. 创建数据库表

2. create table score(name string, score map)

3. ROW FORMAT DELIMITED

4. FIELDS TERMINATED BY '\t'

5. COLLECTION ITEMS TERMINATED BY ','

6. MAP KEYS TERMINATED BY ':';

7. 要入库的数据

8. biansutao '数学':80,'语文':89,'英语':95

9. jobs '语文':60,'数学':80,'英语':99

10. 入库数据

11. LOAD DATA LOCAL INPATH '/home/hadoop/score.txt' OVERWRITE INTO TABLE score;

12. 查询

13. hive> select * from score;

14. biansutao       {"数学":80,"语文":89,"英语":95}

15. jobs    {"语文":60,"数学":80,"英语":99}

16. Time taken: 0.665 seconds

17. hive> select name from score;

18. jobs

19. biansutao

20. Time taken: 19.778 seconds

21. hive> select t.score from score t;

22. {"语文":60,"数学":80,"英语":99}

23. {"数学":80,"语文":89,"英语":95}

24. Time taken: 19.353 seconds

25. hive> select t.score['语文'] from score t;

26. 60

27. 89

28. Time taken: 13.054 seconds

29. hive> select t.score['英语'] from score t;

30. 99

31. 95

32. Time taken: 13.769 seconds

修改map字段的分隔符

Storage Desc Params:

colelction.delim     ##

field.delim         \t

mapkey.delim         =

serialization.format \t

可以通过desc formatted hm4.hm4_format_log;查看表的属性。

hive-2.1.1中，这里是colelction而不是collection，hive里面这个单词写错了，所以还是要按照错误的来。

alter table t8 set serdepropertyes('colelction.delim'=',');

3、Struct 的使用

1. 创建数据表

2. CREATE TABLE test(id int,course struct)

3. ROW FORMAT DELIMITED

4. FIELDS TERMINATED BY '\t'

5. COLLECTION ITEMS TERMINATED BY ',';

6. 数据

7. 1 english,80

8. 2 math,89

9. 3 chinese,95

10. 入库

11. LOAD DATA LOCAL INPATH '/home/hadoop/test.txt' OVERWRITE INTO TABLE test;

12. 查询

13. hive> select * from test;

14. OK

15. 1       {"course":"english","score":80}

16. 2       {"course":"math","score":89}

17. 3       {"course":"chinese","score":95}

18. Time taken: 0.275 seconds

19. hive> select course from test;

20. {"course":"english","score":80}

21. {"course":"math","score":89}

22. {"course":"chinese","score":95}

23. Time taken: 44.968 seconds

24. select t.course.course from test t; 

25. english

26. math

27. chinese

28. Time taken: 15.827 seconds

29. hive> select t.course.score from test t;

30. 80

31. 89

32. 95

33. Time taken: 13.235 seconds

4、数据组合 (不支持组合的复杂数据类型)

1. LOAD DATA LOCAL INPATH '/home/hadoop/test.txt' OVERWRITE INTO TABLE test;

2. create table test1(id int,a MAP>)

3. row format delimited fields terminated by '\t' 

4. collection items terminated by ','

5. MAP KEYS TERMINATED BY ':';

6. 1 english:80,90,70

7. 2 math:89,78,86

8. 3 chinese:99,100,82

9. LOAD DATA LOCAL INPATH '/home/hadoop/test1.txt' OVERWRITE INTO TABLE test1;

UDAF用法

关于UDAF开发注意点：

1.需要import org.apache.hadoop.hive.ql.exec.UDAF以及org.apache.hadoop.hive.ql.exec.UDAFEvaluator,这两个包都是必须的

2.函数类需要继承UDAF类，内部类Evaluator实现UDAFEvaluator接口

3.Evaluator需要实现 init、iterate、terminatePartial、merge、terminate这几个函数

1)init函数类似于构造函数，用于UDAF的初始化

---

hive hbase 关联

create 

hive -e 用法

hive -e主要用来在命令行执行sql

'set mapred.reduce.tasks = 30;insert into hm2.flash_people select guid,dt,remote_addr,(32523145869-ngx_timestamp) from hm2.data where dt = "2018-07-01" and length(guid) = 38 and ngx_timestamp is not null and ngx_timestamp != '' and ngx_timestamp is regexp '\\d{8}

hive一些优化参数

set hive.auto.convert.join = 

字段变更

添加字段

alter 

hive添加字段后，前面数据会有空值，就算将前面数据hdfs文件删除，重新导入，仍然查询出来是 NULL，这个问题有待解决。

•  解决

•  未解决

添加 map 复杂类型字段

alter 

仿照一张在创建表时定义了map类型字段的表的属性描述

Storage Desc Params:	 	 
	colelction.delim    	,
	field.delim         	\t
	mapkey.delim        	:
	serialization.format	\t

只需要将map属性修改为：

alter 

那么

hive> 

即可

删除字段

CREATE 

如果需要删除 column f 列，可以使用以下语句：

ALTER 

增加列：

alter 

hive-1.2.1 支持insert,update,delete的配置

hive-site.xml中添加配置

<property>

建表语句

create 

说明：建表语句必须带有into buckets子句和stored as orc TBLPROPERTIES ('transactional'='true')子句，并且不能带有sorted by子句。

这样，这个表就可以就行insert,update,delete操作了。

注意： 上面规则在 hive-1.2.1 是可以的，在 hive-2.1.1 中需要将external关键字去掉，即高版本不支持外部表update了。

hive表中的锁

场景：

在执行insert into或insert overwrite任务时，中途手动将程序停掉，会出现卡死情况(无法提交MapReduce)，只能执行查询操作，而drop insert操作均不可操作，无论执行多久，都会保持卡死状态

临时解决办法是……把表名换一个……

根本原因是：hive表被锁或者某个分区被锁，需要解锁

show locks 

可以查看表被锁的情况

解锁

unlock 

注意

表锁和分区锁是两个不同的锁，对表解锁，对分区是无效的，分区需要单独解锁

高版本hive默认插入数据时，不能查询，因为有锁

show locks

解决办法：关闭锁机制

set hive.txn.manager 

基本知识

查看表结构信息

desc formatted 

导入数据到hive表

load命令

load 

注意：inpath 后接的hdfs路径需要引号

python中的hive命令字符串示例：

'hive -e \'

orc格式表

• hive创建orc格式表不能像textfile格式一样直接load数据到表中，一般需要load创建临时textfile表，然后通过insert into 或者insert overwrite到orc存储格式表中。

• 或者将现有orc文件cp到hive对应表的目录

map,reduce知识

什么情况下只有一个reduce？

很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务；其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因：

1. 没有group by的汇总，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 写成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04'; 这点非常常见，希望大家尽量改写。

2. 用了Order by

3. 有笛卡尔积 通常这些情况下，除了找办法来变通和避免，我暂时没有什么好的办法，因为这些操作都是全局的，所以hadoop不得不用一个reduce去完成；同样的，在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量。

hive 优化

1. hive mapreduce参数优化 设置map,reduce任务分配的资源

set mapreduce.map.memory.mb = 4096 ;

2. hive.exec.parallel参数控制在同一个sql中的不同的job是否可以同时运行,默认为false.

下面是对于该参数的测试过程:

测试sql:

select r1.a

• 当参数为false的时候,三个job是顺序的执行

set hive.exec.

• 但是可以看出来其实两个子查询中的sql并无关系,可以并行的跑

set hive.exec.

3. 设置reduce个数

set mapred.reduce.tasks 

总结: 在资源充足的时候hive.exec.parallel会让那些存在并发job的sql运行得更快,但同时消耗更多的资源 可以评估下hive.exec.parallel对我们的刷新任务是否有帮助.

4. 参数设置

set mapred.

5. orc 小文件合并

set hive.execution.engine = mr; 

6. msck repair修复大量分区

set hive.msck.path.validation=

hive on spark 知识

cdh 6.0.1 下通过设置：

set hive.execution.

也可以将默认的application执行引擎切换为spark；apache hadoop 下配置 hive on spark

参数调优

了解完了Spark作业运行的基本原理之后，对资源相关的参数就容易理解了。所谓的Spark资源参数调优，其实主要就是对Spark运行过程中各个使用资源的地方，通过调节各种参数，来优化资源使用的效率，从而提升Spark作业的执行性能。以下参数就是Spark中主要的资源参数，每个参数都对应着作业运行原理中的某个部分。

num-executors/spark.executor.instances

• 参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。

• 参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。

executor-memory/spark.executor.memory

• 参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。

• 参数调优建议：每个Executor进程的内存设置4G8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的1/31/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。

executor-cores/spark.executor.cores

• 参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。

• 参数调优建议：Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

driver-memory

• 参数说明：该参数用于设置Driver进程的内存。

• 参数调优建议：Driver的内存通常来说不设置，或者设置1G左右应该就够了。唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题。

spark.default.parallelism

• 参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。

• 参数调优建议：Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的(比如就几十个task)，如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。

spark.storage.memoryFraction

• 参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

• 参数调优建议：如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢(通过spark web ui可以观察到作业的gc耗时)，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

spark.shuffle.memoryFraction

• 参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。

• 参数调优建议：如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

原文链接

---

Spark On Yarn执行中executor内存限制问题

解决Spark On Yarn执行中executor内存限制问题

集群版本 Spark 2.2.0 + Hadoop 3.0-CDH6.0.1

hive on saprk , 设置：

set hive.execution.

提示内存不足

execute spark task, 

解决方案，修改Yarn的配置文件：

1、yarn.nodemanager.resource.memory-mb 容器内存

设置为 至少 : executor-memory(15g) + driver(512m)的内存，如上例可配置为 16g

2、yarn.scheduler.maximum-allocation-mb 最大容器内存

设置为 至少 : executor-memory(15g) + driver(512m)的内存，如上例可配置为 16g

第一个参数为NodeManager的配置 ，第二个参数为 ResourceManager的配置。

字符串处理

字符串连接：

concat(

字符串截取

substr(s, 0, 1) 

hive 中 join

mapjoin的优化在于，在mapreduce task开始之前，创建一个local task,小表以hshtable的形式加载到内存，然后序列化到磁盘，把内存的hashtable压缩为tar文件。然后把文件分发到 Hadoop Distributed Cache，然后传输给每一个mapper，mapper在本地反序列化文件并加载进内存在做join

sql

from (select guid, substr(workflow, -1) workflow 

内存溢出解决办法:

set hive.auto.convert.join = 

Hive中Join的原理和机制

笼统的说，Hive中的Join可分为Common Join(Reduce阶段完成join)和Map Join(Map阶段完成join)。本文简单介绍一下两种join的原理和机制。

Hive Common Join

如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join,即：在Reduce阶段完成join. 整个过程包含Map、Shuffle、Reduce阶段。

• Map阶段

读取源表的数据，Map输出时候以Join on条件中的列为key，如果Join有多个关联键，则以这些关联键的组合作为key; Map输出的value为join之后所关心的(select或者where中需要用到的)列；同时在value中还会包含表的Tag信息，用于标明此value对应哪个表；按照key进行排序

• Shuffle阶段
  根据key的值进行hash,并将key/value按照hash值推送至不同的reduce中，这样确保两个表中相同的key位于同一个reduce中

• Reduce阶段
  根据key的值完成join操作，期间通过Tag来识别不同表中的数据。

以下面的HQL为例，图解其过程：

SELECT 

Hive Map Join

MapJoin通常用于一个很小的表和一个大表进行join的场景，具体小表有多小，由参数hive.mapjoin.smalltable.filesize来决定，该参数表示小表的总大小，默认值为25000000字节，即25M。Hive0.7之前，需要使用hint提示 /*+ mapjoin(table) */才会执行MapJoin,否则执行Common Join，但在0.7版本之后，默认自动会转换Map Join，由参数hive.auto.convert.join来控制，默认为true. 仍然以9.1中的HQL来说吧，假设a表为一张大表，b为小表，并且hive.auto.convert.join=true,那么Hive在执行时候会自动转化为MapJoin。

如图中的流程，首先是Task A，它是一个Local Task(在客户端本地执行的Task)，负责扫描小表b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中，该HashTable的数据结构可以抽象为：

key	value
1	26
2	34

• 接下来是Task B，该任务是一个没有Reduce的MR，启动MapTasks扫描大表a,在Map阶段，根据a的每一条记录去和DistributeCache中b表对应的HashTable关联，并直接输出结果。

• 由于MapJoin没有Reduce，所以由Map直接输出结果文件，有多少个Map Task，就有多少个结果文件。

原文链接

转义字符

select split('a:1||b:2||c:3','\\|\\|') from hm2.test;

其它转义字符还有{, [

insert table select from

insert 

insert overwrite例子

insert overwrite 

插入分区表，不用指定分区，可以自动识别

INSERT overwrite 

这里把数据去重，插入分区表test.dis_helper中，自动根据dt,hour,msgtype字段的取值进入分区表，并且(num)?+.+表示除了num这个字段。

explain 查看执行计划

对于这么一个插叙sql

explain

可以打印出执行计划

STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-2 depends on stages: Stage-1
  Stage-3 depends on stages: Stage-2
  Stage-0 depends on stages: Stage-3

STAGE PLANS:
  Stage: Stage-1
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: workflow_list
            Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
            Filter Operator
              predicate: guid is not null (type: boolean)
              Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
Select Operator
                expressions: guid (type: string), split(split(workflow, '\|\|')[0], ':')[1] (type: string)
                outputColumnNames: _col0, _col1
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
                Reduce Output Operator
key expressions: _col0 (type: string)
sort order: +
Map-reduce partition columns: _col0 (type: string)
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
value expressions: _col1 (type: string)
          TableScan
alias: flash
Statistics: Num rows: 489153811 Data size: 48915382339 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: guid is not null (type: boolean)
Statistics: Num rows: 244576906 Data size: 24457691219 Basic stats: COMPLETE Column stats: NONE
              Reduce Output Operator
key expressions: guid (type: string)
sort order: +
Map-reduce partition columns: guid (type: string)
Statistics: Num rows: 244576906 Data size: 24457691219 Basic stats: COMPLETE Column stats: NONE
      Reduce Operator Tree:
Join Operator
          condition map:
Inner Join 0 to 1
keys:
0 _col0 (type: string)
1 guid (type: string)
          outputColumnNames: _col1
Statistics: Num rows: 269034602 Data size: 26903460924 Basic stats: COMPLETE Column stats: NONE
Group By Operator
            aggregations: count(_col1)
keys: _col1 (type: string)
mode: hash
            outputColumnNames: _col0, _col1
Statistics: Num rows: 269034602 Data size: 26903460924 Basic stats: COMPLETE Column stats: NONE
File Output Operator
              compressed: false
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                  serde: org.apache.hadoop.hive.serde2.lazybinary.LazyBinarySerDe

  Stage: Stage-2
Map Reduce
Map Operator Tree:
          TableScan
            Reduce Output Operator
key expressions: _col0 (type: string)
sort order: +
Map-reduce partition columns: _col0 (type: string)
Statistics: Num rows: 269034602 Data size: 26903460924 Basic stats: COMPLETE Column stats: NONE
value expressions: _col1 (type: bigint)
      Reduce Operator Tree:
Group By Operator
          aggregations: count(VALUE._col0)
keys: KEY._col0 (type: string)
mode: mergepartial
          outputColumnNames: _col0, _col1
Statistics: Num rows: 134517301 Data size: 13451730462 Basic stats: COMPLETE Column stats: NONE
File Output Operator
            compressed: false
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazybinary.LazyBinarySerDe

  Stage: Stage-3
Map Reduce
Map Operator Tree:
          TableScan
            Reduce Output Operator
key expressions: _col1 (type: bigint)
sort order: +
Statistics: Num rows: 134517301 Data size: 13451730462 Basic stats: COMPLETE Column stats: NONE
value expressions: _col0 (type: string)
      Reduce Operator Tree:
Select Operator
          expressions: VALUE._col0 (type: string), KEY.reducesinkkey0 (type: bigint)
          outputColumnNames: _col0, _col1
Statistics: Num rows: 134517301 Data size: 13451730462 Basic stats: COMPLETE Column stats: NONE
File Output Operator
            compressed: false
Statistics: Num rows: 134517301 Data size: 13451730462 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.TextInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0
Fetch Operator
limit: -1
      Processor Tree:
        ListSink

常用 sql 查询

常用SQL查询。

explode 一行变多行

explode主要是将一行数据按照某个字段变为多行。

select mt.impress,

分组后取 top N

row_number() over(partition by)

表hm4.ffbrowser_domain_url_2019_07_17数据如下：

link?url=fCBMjU_THQzoAdo0RTAQLQIfVWIlPlgzpEM5Pk5qChKiahWFfMzFo6ckRjd9OFc7w8cj5h8esZXKBab5WqeLPgDYipewXUdz9LFPf-oxOfK

sql查询语句

select a.

结果

.baidu.com	https:

相似问题：每门课程成绩的前N名

case when 用法

select reginlistlength, softname, 

select (

以上是工作中会使用到的Hive语法，肯定有遗漏、不全面的地方，欢迎小伙伴们可以留言区中补充、交流。

猜你喜欢

• K-近邻算法通俗理解与实践

• 11种概率分布，你了解几个？

• 贝叶斯定理的通俗理解

• 扼住内存的咽喉，大数据分析工具Hive——真香

• 统计学5个基本概念，你知道多少？