Hive介绍及基本操作

Hive的起源
Hive起源于Facebook（美国的一个社交服务网络），因Facebook有着大量的数据需要处理，而Hadoop是一个开源可以轻松处理大量的数据项目。但是Hadoop的MapReduce程序对于Java程序员来说比较容易写，对于其他语言使用者来说不太方便，因此Facebook开始研发Hive，实现了对Hadoop使用类SQL的查询方式（实际后台转化为了MapReduce过程），让那些非Java程序员，只要熟悉sql语法也可以方便地使用Hadoop处理大量的数据，节约了学习成本。
Hive概述
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表，它提供了一系列的工具，可以用来进行数据的提取、转化、加载，简称ETL（Extract Transform Load）,也可以叫做数据清洗。是一种可以存储、查询和分析存储在Hadoop中的大规模数据机制，Hive定义了简单的类sql查询语言，称为HiveQL。Hive 并非为联机事务处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操作。 Hive 的最佳使用场合是大数据集的离线批处理作业，例如，网络日志分析。
数据仓库的特征
1.数据仓库是多个异构数据源所集成的。
2.数据仓库储存的一般是历史数据，大多数的应用场景是读取数据（数据分析），所以数据仓库是弱事务的。
3.数据库是为捕获数据而设计，数据仓库是为了分析数据而设计。
4.数据仓库是时变的，数据存储从历史的角度提供信息，即数据仓库中的关键结构都隐式或者显示地包含时间元素。
5.数据仓库是弱事务的，因为数据仓库存的是历史数据，一般都是应用在数据读取（分析）场景。
数据仓库与数据库的区别：
数据库属于OLTP（Online Transaction Processing）联机事务处理系统,涵盖了企事业大部份的日常操作，如购物、库存、制造、银行、工资、注册、记账等等，比如Mysql oracle等关系型数据库。
数据仓库属于OLAP（on-Line Analytic Processing）联机分析处理系统，如Hive Hbase等。
OLTP是面向用户的，用于事务的处理以及客户的查询处理。OLAP是面向市场的，用于数据的分析。
OLAP通常会集成多个异构数据源的数据，数据量巨大。
OLTP系统的访问由于要保证原子性，所以有事务机制和恢复机制。
OLAP系统一般存储的是历史数据，所以大部分都 是只读操作，不需要事务。
OLTP系统与OLAP系统的比较

Hive的HQL
HQL语法十分类似SQL语法，是Hive用来进行分布式的计算语句，在执行的过程中底层会将HQL转换为MapReduce去执行，所以Hive其实是基于Hadoop的一种分布式计算框架，本质上是一种离线大数据分析工具。
Hive基础指令
show databases; 查看有哪些数据库。
create database hive; 创建hive数据库。创建的数据库实际是在Hadoop的HDFS文件系统里创建一个目录节点，统一存在： /user/hive/warehouse 目录下。
use hive; 进入hive数据库。
show tables; 查看当前数据库下所有的表。
create table user(id int,name string); 创建user表以及相关的两个字段。（在Hive里用的是string，不用char和varchar。此外，所创建的表，也是HDFS里的一个目录节点）

insert into user values(1,‘tom’); 向user表里面插入一条数据，（HDFS不支持数据的修改和删除，但是在2.0版本后支持数据追加，实际上INSERT INTO语句执行的是追加操作，注意：hive支持查询，行级别的插入，但是不支持行级别的删除和修改，hive的操作实际是执行一个job任务，调用的是Hadoop的MR）。
select * from user; 查看表数据，也可以根据字段来查询，如：select id from user;
drop table user; 删除user表。
load data local inpath ‘/home/1.txt’ into table user; 加载home目录下1.txt文件里的数据到user表里。
load data inpath ‘info/1.txt’ into table user; 加载HDFS中info目录下1.txt文件的数据到user表。注意与上一个加载 指令的区分。
create table user(id int,name string) row format delimited fields terminated by ’ '; 创建user表，并指定分割符为空格。（此时，把外部表导入hive，就可以查询出数据。）
desc user; 查看user的表结构。
create table user2 like user; 创建一张user2表，表结构和user表结构相同。
insert overwrite table user2 select * from user; 把user表数据插入到user2表中。
alter table user rename to user1; 把表user重命名为user1。
alter table user add columns(age,int); 为表user增加一个列字段age，类型为int。
exit 退出hive。注意：当退出hive后，我们可以尝试做这样的一件事：之前我们是在bin目录执行：sh hive 进入的现在，我们换一个目录来进入hive,比如： sh /bin/hive 来进入当我们查看数据库或查看表时，发现之前建立的hive和user表都没有了。
原因：hive可以管理hdfs上的文件，用表的形式来管理文件数据。而表名、表里有哪些字段，字段类型、哪张表存在哪个数据下等这些表信息，称之为hive的元数据信息。
知识点：hive的元数据信息不是存在hdfs上的，而是存在hive自带的derby关系型数据库里的。
即hive管理的数据是在hdfs上的，hive的元数据信息是存在系型数据库里的。
上述问题出现的原因就是由于derby数据库引起的，这个数据库功能不完善，仅用于测试。derby数据库存储hive元数据的方式：当在bin目录下进入hive时，derby数据会在bin目录下生成一个metastore_db目录，将元数据信息存在这个目录下。当换个目录，比如在home 目录下hive时，derby又会在home目录下生成一个metastore_db目录，存储元数据信息。
解决办法：将默认使用的derby数据库换成mysql数据库。
Hive的内部表和外部表
内部表：先在hive里面建一张表，然后向这个表里面插入数据，也可以通过加载外部文件来插入数据，这样的表叫内部表。可以简单理解为先有表，再有数据的表叫内部表，内部表的特点:当内部表被删除时，对应的HDFS的数据也会被删除。
外部表：HDFS里面已经有数据，例如有一个1.txt文件，里面存储了这样的数据：
1 tom
2 rose
3 bob
然后通过Hive创建一张表来管理这个文件数据，这张表就叫外部表。可以简单理解为先有数据，再建立的hive表就叫外部表。外部表特点：删除外部表，对应的HDFS数据依然存在，在实际生产环境中，我们创建的大多数都是外部表。
创建外部表的命令：create external table user(id int,name string) row format delimited fields terminated by ’ ';
内部表和外部表的区别
最大的区别是就当在hive执行 drop table user; 时，如果user是内部表，则对应HDFS的目录节点也会删除，如果是外部表，HDFS对应的目录节点不会被删除。
Hive分区表
在Hive Select查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作，有时候我们只需要扫描表中的一部分数据，因此建表时引入了partition概念。上面我们说了hive有两种表，内部和外部表，都可以是分区表。
分区表的作用：可以避免查询整表，在生产环境下，基本都是建立带有分区字段的表，在查询时，带上分区条件。
一个表可以拥有一个或者多个分区，分区表在HDFS中，一个分区就对应一个目录。
分区表的实际应用：例如以天为单位来建立分区，这样方便管理表数据，尤其是按日期查询很方便。
创建分区表的语法：create table book(id int,name string) partitioned by (category string) row format delimited fields terminated by ’ ';
注意：在创建分区表时，partitoned字段可以不在字段列表中，生成的表中自动就会具有该字段，category是自定义的字段。还有terminated by ’ '，单引号中是空格那么加载文件的数据也需要是空格隔开，如：cnbook.txt文件中1 book1。
分区表加载数据语法：
load data local inpath ‘/home/cnbook.txt’ overwrite into table book partition (aaa=‘cn’); 加载home目录下cnbook.txt文件的内容到book表并分区为cn。
load data local inpath ‘/home/enbook.txt’ overwrite into table book partition (aaa=‘en’); 加载home目录下enbook.txt文件的内容到book表并分区为en。
我们检查一下HDFS下发现分区也是一个目录：

select * from book; 查询book下的所有数据。

select * from book where aaa=‘cn’; 只查询cn分区的数据。

通过创建目录来增加分区：
如果想先在HDFS的目录下自己创建一个分区目录，然后在此目录下上传文件，此时手动创建目录是无法被hive使用的，因为元数据库中没有记录该分区。如
如果需要将自己创建的分区也能被识别，需要执行：
alter table book add partition (aaa=‘an’) location ‘/user/hive/warehouse/park01.db/book/aaa=an’; 这行命令的作用是在元数据Dock表里创建对应的元数据信息。
删除分区：alter table book drop partition(aaa=‘an’);
修改分区：alter table book partition(aaa=‘an’) rename to partition(aaa=‘bn’);
Hive的分桶表
分桶是相对分区进行更细的划分，分桶将整个数据内容安照某列属性值的hash值进行区分，如：要按照name属性分为3个桶，就是对name属性值的hash值对 3 取摸，按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件，取模为1的数据存放到一个文件，取模为2的数据存放到一个文件。
如何使用分桶表
1.创建带桶的 table ：
create table teacher(name string) clustered by (name) into 3 buckets row format delimited
fields terminated by ’ ';
2.开启分桶机制：
set hive.enforce.bucketing=true;
3.往表中插入数据：
insert overwrite table teacher select * from temp; //需要提前准备好temp，从temp查询数据写入到 teacher
注意：teacher是一个分桶表，对于分桶表，不允许以外部文件方式导入数据，只能从另外一张表导入数据，分桶表只能是内部表。
temp文件数据样例：
java zhang
web wang
java zhao
java qin
web liu
web zheng
ios li
linux chen
ios yang
ios duan
linux ma
linux xu
java wen
web wu
作用及原理：
分桶的原理是根据指定的列计算hash值取模分桶数量后将数据分开存放，方便数据抽样
select * from teacher tablesample(bucket 1 out of 3 on name);
注：分桶语法 tablesample(bucket x out of y)
y必须是table总 bucket 数的倍数或者因子。hive根据y的大小，决定抽样的比例。
例如：table总共分了3份，当y=3时，抽取(3/3=)1个bucket的数据，当y=6时，抽取(3/6=)1/2个
bucket的数据。
x表示从哪个bucket开始抽取。
例如：table总bucket数为3，tablesample(bucket 3 out of 3)，表示总共抽取（3/3=）1个bucket的
数据，抽取第3个bucket的数据。
再例如：table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个
bucket的数据，分别为第3个bucket和第（3+16=）19个bucket的数据。
查询第一个桶里数据，并返回一半的数据：
select * from bucketed_user tablesample(bucket 1 out of 6 on id);
Hive的数据类型
基本数据类型：int、 boolean、 float、 double、string。
复杂数据类型：

数组类型 array
案例1：有元数据
100,200,300
200,300,500
建表语句：create exterbal table ex(vals array) row delimited fields terminated by ‘\t’ collection items terminated by ‘,’ location ‘/ex’;
查询每行数组的个数，查询语句：select size(vals) from ex;
注：hive 内置函数不具备查询某个具体行的数组元素。需要自定义函数来实现，但这样的需求在实际开发里很少，所以不需要在意。
案例2：元数据：
100,200,300 tom,jary
200,300,500 rose,jack
建表语句：create external table ex1(info1 array,info2 array) row format delimited fields terminated by ‘\t’ collection items terminated by ‘,’ location ‘/ex’;
查询结果：

map类型
案例1
元数据：
tom,23
rose,25
jary,28
建表语句：create external table m1 (vals map<string,int>) row format delimited fields terminated by ‘\t’ map keys terminated by ‘,’ location ‘/map’;
查询tom年龄的语句：select vals[‘tom’] from m1;

案列2，要求查询tom这个人都浏览了哪些网站，并且为null的值不显示
源数据（分隔符为空格）：
tom 192.168.234.21
rose 192.168.234.21
tom 192.168.234.22
jary 192.168.234.21
tom 192.168.234.24
tom 192.168.234.21
rose 192.168.234.21
tom 192.168.234.22
jary 192.168.234.21
tom 192.168.234.22
tom 192.168.234.23
建表语句：
create external table ex (vals map<string,string>) row format delimited fields terminated by ‘/t’ map keys terminated by ’ ’ location ‘/ex’;
注意：map类型，列的分割符必须是\t
查询语句：
select vals[‘tom’] from ex where vals[‘tom’] is not null;
如果想做去重工作，可以调用distinct内置函数
select distinct(ip) from (select vals[‘tom’] ip from ex where vals[‘tom’] is not null)ex1;
struct 类型
案例
元数据：
tom 23
rose 22
jary 26
建表语句：
create external table ex (vals structname:string,age:int)row format delimited collection items terminated by ’ ’ location ‘/ex’;
查询语句：
select vals.age from ex where vals.name=‘tom’;
Hive常用字符串操作函数

因Hive内容挺多，暂且说这些，后续抽空再说一说Hive特点、Hive的Join操作、Hive解决数据倾斜问题、Hive优化、Hive的分桶表、Hive体系结构、Hive工作流程等。感谢！