hive load data inpath 空目录_Hive快速入门

导读

什么是Hive？

Hive是如何运行的？

Hive如何使用？【重点】

什么是Hive?

一句话来说，Hive是基于Hadoop的数据仓库，和MySQL语法相似，但是是完全不同的两种东西，Hive是在HDFS上层的封装

实质:将HQL语句转换为MR程序，如下图所示

我想大家肯定有疑问，为啥需要用HIve?

Hive主要就是写SQL,简单易上手,比写代码方便，相对于繁杂的MR任务来说

Hive和RDMS数据库的区别？

除了SQL语句高度相似外没有任何联系，具体区别见下图

Hive由哪几部分组成？

学习过MySQL的同学应该对下图高度熟悉，和MySQL非常类似

具体几部分功能:

• client:这个毫无疑问，就是提供接口供用户访问的

• Meta Store：存储元数据，信息包括 DataBase,表名，列类型以及表的分区所在目录

• Driver 完成HQL查询语句的编译，优化，以及生成逻辑执行计划的生成

• 具体分为以下几部分，解释器:将HiveSQL语句转换为抽象语法树AST

• 编译器:将AST编译为逻辑执行计划

• 优化器:对逻辑执行计划进行优化

• 执行器:调用底层的运行框架执行逻辑执行计划

Hive真的很香吗？

不然Hive也是有缺点的，也就是只能查数据，不支持增删改，当然也就不存在事务了

Hive是如何运行的?

上图

步骤:

1. 用户提交查询等任务给Driver。

2. 编译器获得该用户的任务Plan。

3. 编译器Compiler根据用户任务去MetaStore中获取需要的Hive的元数据信息。

4. 编译器Compiler得到元数据信息，对任务进行编译，先将HiveQL转换为抽象语法树，然后将抽象语法树转换成查询块，将查询块转化为逻辑的查询计划，重写逻辑查询计划，将逻辑计划转化为物理的计划(MapReduce), 最后选择最佳的策略。

5. 将最终的计划提交给Driver。

6. Driver将计划Plan转交给ExecutionEngine去执行，获取元数据信息，提交给JobTracker或者SourceManager执行该任务，任务会直接读取HDFS中文件进行相应的操作

7. 获取执行的结果。

8. 取得并返回执行结果。

Hive使用指南

Hive三大操作，建表，导入数据，写查询，以写查询最为重要，也最难

库的相关操作

创建库

create database if not exists mydb;

查看库

show databases;

切换库

use mydb;

和MySQL一摸一样，没啥好说的

主要是表的操作

先说明以下，Hive除了和MySQL类似支持常见的字段外，还支持以下几种复杂数据类型，支持格式多样化了，但是处理起来就有点难度了

我们都知道，表操作最常用的就是建表，相比于MySQL，HQL有以下不同

首先是表的种类，Hive有好几种表，内部表，外部表，分区表，分桶表

先说概念上的区别，SQL语句的区别稍后说

内部表和外部表区别

删除内部表，数据和元数据都删除

删除外部表，只删除元数据

如何选择？

内部表：对原始数据或比较重要的中间数据进行建表存储；

外部表：比如某个公司的原始日志数据存放在一个目录中，多个部门对这些原始数据进行分析，那么创建外部表是明智选择，这样原始数据不会被删除；

分区和分桶表的区别？

分桶就是更细粒度的分区，说白了目的就是为了加快查询速度，没有其他作用

创表语句

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name  [(col_name data_type [COMMENT col_comment], ...)]   [COMMENT table_comment]   [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]   [CLUSTERED BY (col_name, col_name, ...)     [SORTED BY (col_name [ASC|DESC], ...)]    INTO num_buckets BUCKETS] [ROW FORMAT row_format] [STORED AS file_format] [LOCATION hdfs_path]

详解：

第一行语句很熟悉，只不过EXTERNAL是什么意思，这就是外部表，添加一个关键字就创建了外部表，创建外部表，在建表的同时指定一个指向实际数据的目录(LOCATION)，如果该目录不存在，则自动创建该目录。

第二行就是字段啦，没什么好说的，第二行就是注释，也略过

第四行什么鬼？这就是前文提到的分区表，通过PARTITIONED BY来声明

第五行就是分桶表，Hive 采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中

• cluster by 用来指定分桶字段

• sorted by 用来指定每个分桶按照什么字段排序

• into ... buckets 用来指定分桶的个数

ROW FORMAT是什么意思呢？我要和您掰扯掰扯，对于MySQL来说，直接插入的就是字段，对于Hive来说，插入的是文本为主，好家伙，你想Hive也是一个表结构，他咋能认识文本呢？就得靠字段分隔符进行划分，这就是它起的作用，ROW FORMAT后面有两种形式，DELIMITED 和 SERDE

DELIMITED 形式为：指定分隔符，使用切割的方式解析文本文件,有以下几种方式

DELIMITED   [FIELDS TERMINATED BY char] //按字段切分  [COLLECTION ITEMS TERMINATED BY char] //集合元素切分  [MAP KEYS TERMINATED BY char] //Map key value之间切分符  [LINES TERMINATED BY char]  //按行切分

SERDE形式为：序列化组件，就是一种解析数据的方式，非切割方式，比如正则

用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定ROW FORMAT或者ROW

FORMAT DELIMITED，将会使用自带的SerDe。在建表的时候，用户还需要为表指定列，用户在指定表

的列的同时也会指定自定义的SerDe，Hive通过SerDe确定表的具体的列的数据。

SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

STORE AS就是指保存的格式，目前支持TEXTFILE | SEQUENCEFILE | RCFILE | PARQUETFILE

LOCATION指定的是存放的HDFS目录

一个具体的Demo

CREATE TABLE student(     name STRING,    favors ARRAY<STRING>,    scores MAP<STRING, FLOAT>,     address STRUCTSTRING, city:  )ROW FORMAT DELIMITED   FIELDS TERMINATED BY '\t' COLLECTION ITEMS TERMINATED BY ';' MAP KEYS TERMINATED BY ':' ;

加载数据

语句结构

L

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

这个显然就很好理解了，说一下overwrite也就是是否覆盖原来的结果

除了LOAD加载数据，还有Insert插入数据

简单版:

INSERT OVERWRITE [INTO] TABLE table_name [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement//示例insert into table student_copy select * from student where age <= 18;

复杂版：就是多个查询插入数据，同时可以看到插入到了指定的分区;

// 语法结构：FROM from_statement INSERT OVERWRITE TABLE table_name1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 INSERT OVERWRITE TABLE table_name2 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement2] .... // 实例：from student insert into table student_ptn partition(city='MA') select id,name,sex,age,department where department='MA' insert into table student_ptn partition(city='IS') select id,name,sex,age,department where department='IS' insert into table student_ptn partition(city='CS') select id,name,sex,age,department where department='CS';

等等，好像有点麻烦，比如如果我要插入100个分区，难不成我要写100个Insert,这是不科学的！！

Hive有动态分区机制

前提条件，你要开启，不然报错到你怀疑人生,下图为开启配置

set hive.exec.dynamic.partition=true;

set hive.exec.dynamic.partition.mode=nonstrict;

接下来就简单了,AMIZING

insert into table test2 partition (age) select name,address,school,age from students;

还没有完，还有分桶表

注意:往分桶表中插入数据：请注意不能使用 load 方式直接往分分桶表中导入数据。只能通过

insert....select.... 语法来进行

insert into table student_bck select id,name,sex,age,department from student distribute by age sort by age desc, id asc;

查询

和MySQL高度类似啦，给个Demo看一下就好。

SELECT [ALL | DISTINCT] select_ condition, select_ condition, ...FROM table_name a [JOIN table_other b ON a.id = b.id] [WHERE where_condition] [GROUP BY col_list [HAVING condition]][CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list | ORDER BY col_list] ] [LIMIT number]