HIVE 基础
- 基于Hadoop的数据仓库-datawarehouse。【是为企业所有级别的决策制定过程,提供所有类型数据支持的战略集合】
2.数据基本不删除和修改;数据是面向主题的,数据是集成的,数据是不可更新的;数据由于不断灌入,所以是不断更新的。
3.提供雷SQL的查询,本质是将MR包装,简化为HQL的编写。
4.数据存在HDFS,HQL分析底层是由MR事先,执行程序运行在YARN上。
优缺点:
类SQL语法,简单易上手
避免MR编写
执行延迟比较高,常用于实时性要求不高的场合,常用于数据分析
优势在于处理大量数据
HIVE支持UDF/UDAF
表达能力有限,效率低(数据挖掘不擅长,迭代式算法无法表达)
粒度较粗,调优困难
HIVE运行过程:
客户端–>HQL结合metastore元数据—>(解析-编译-优化-执行)—>调度MR
【元数据包括:表名,表所属的数据库,表拥有者,表的字段,类型,表数据所在的目录】
HIVE和MYSQL比较:
除了拥有类似的查询语言之外再无相似之处;
数据库可以增删改查,支持OL应用;HIVE只能查-离线;
1)数据存储位置
HIVE-HDFS,SQL-块设备/本地文件
2)数据更新
数仓-读多写少,不支持改写和添加,只能追加,所有数据都是在加载的时候确定好的;
SQL中数据需要经常修改
3)索引
HIVE加载时不会扫描数据,也不会添加索引。因此HIVE检索数据时会暴力扫描全表,故此延迟较高。
但是由于MR引入,可以实现并行数据访问,即使没有索引也能体现出优势。
SQL中通常会针对若干列建立索引,对于少量特定调教的数据访问拥有很高的效率。
4)执行延迟:全表扫描+MR本身的延迟
5)可扩展性:HIVE等价与HADOOP的扩展能力 HIVE数万台,ORACLE-百太
6)数据规模
HIVE常用命令
查询
- hive -e “select * from stu” 【代表不进入HIVE命令行执行查询
“-e”不进入hive的交互窗口执行sql语句 - hive -f /opt/module/datas/hivef.sql+
执行文件中的sql语句 - hive -f /opt/module/datas/hivef.sql > /opt/module/datas/hive_result.txt
(3)执行文件中的sql语句并将结果写入文件中
退出HIVE:
exit,先提交隐形数据在推出
quit:不提交数据直接退出
在hive中查看文件
在hive中直接查看HDFS中的文件:
dfs -lsr / 【递归查看所有数据
hive中查看本地文件:
! ls /opt/modules
查看在hive所有历史命令
1 进入到当前用户的家目录
2 cat ~/.hivehistory
查看HIVE的配置信息
进入hive
hive>set;
参数配置方式
默认配置文件:hive-default.xml
用户自定义配置文件:hive-site.xml
注意:用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,
因为Hive是作为Hadoop的客户端启动的,Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
配置文件方式
默认配置文件:hive-default.xml
用户自定义配置文件:hive-site.xml
注意:用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,因为Hive是作为Hadoop的客户端启动的,
Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
命令行方式:
启动Hive时,可以在命令行添加-hiveconf param=value来设定参数。
例如:
[atguigu@hadoop103 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10;
**注意:仅对本次hive启动有效**
查看参数设置:
hive (default)> set mapred.reduce.tasks;
-------------
参数声明方式:
可以在HQL中使用SET关键字设定参数
例如:
hive (default)> set mapred.reduce.tasks=100;
注意:仅对本次hive启动有效。
--------------
查看参数设置
hive (default)> set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数
例如log4j相关的设定,必须用前两种方式设定,因为那些参数的读取在会话建立以前已经完成了。
HIVE数据类型:9+3
tinyint--byte
smallint--short
int--int
bigint--long
float--float
double--double
string--string 理论存储2G的字符
timestamp---时间类型
binary---字节数组
集合数据类型
struct–KV以array存储
map--KV对
array
三种集合数据类型的访问方式
array–使用下标 array01[0]
map–使用K访问V kids[‘xiaosong’]
struct–可以通过“点”符号访问元素内容 address.city
类型转换
可以自动由小大 --隐式
可以使用CAST进行强制转换,
CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1
如果转换失败将返回NULL
数据表
创建表
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]
(1)CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在,则抛出异常;用户可以用 IF NOT EXISTS 选项来忽略这个异常。
(2)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。
(3)COMMENT:为表和列添加注释。
(4)PARTITIONED BY创建分区表
(5)CLUSTERED BY创建分桶表
(6)SORTED BY不常用-排序
(7)ROW FORMAT
DELIMITED [FIELDS TERMINATED BY char]
[COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char]
[LINES TERMINATED BY char]
| SERDE serde_name
[WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]
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。
(8)STORED AS 指定存储文件类型
常用的存储文件类型:SEQUENCEFILE(二进制序列文件)、TEXTFILE(文本)、RCFILE(列式存储格式文件)
如果文件数据是纯文本,可以使用STORED AS TEXTFILE。如果数据需要压缩,使用 STORED AS SEQUENCEFILE。
(9)LOCATION :指定表在HDFS上的存储位置。
(10)LIKE允许用户复制现有的表结构,但是不复制数据。
实例
- 普通创建表
create table if not exists student2(id int, name string)
row format delimited fields terminated by '\t'
stored as textfile
location '/user/hive/warehouse/student2';
- 根据查询结果创建表
create table if not exists student3
as select id, name from student;
- 根据已经存在的表结构创建表
create table if not exists student4 like student;
- 查询表的类型
desc formatted student2;
外部表
因为表是外部表,所有Hive并非认为其完全拥有这份数据。
删除该表并不会删除掉这份数据,不过描述表的元数据信息会被删除掉。
使用场景:
每天将收集到的网站日志定期流入HDFS文本文件。在外部表(原始日志表)的基础上做大量的统计分析,
用到的中间表、结果表使用内部表存储,数据通过SELECT+INSERT进入内部表。
当删除外部表的时候,表结构等元数据会被删除,但是源数据还在,如果仍在
当前库下建立一个同名同结构的外部表,数据会自动关联。
分区表
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。
Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成小的数据集。
在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区,这样的查询效率会提高很多。
语法
partitioned by
create table dept_partition(
deptno int, dname string, loc string)
partitioned by (month string)
row format delimited fields terminated by '\t';
加载数据到分区表中
尾部添加关键字 partition(key=value)
load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201709');
查询
select * from dept_partition where month='201709';
>多分区联合查询
select * from dept_partition where month='201710'
union
select * from dept_partition where month='201712'
union
select * from dept_partition where month='201711';
增删分区
add/drop
注意增加分区时,分区字段之间空格隔开
删除分区时,分区字段之间用逗号隔开
alter table dept_partition add partition(month='201705') partition(month='201704');
alter table dept_partition drop partition (month='201705'), partition (month='201706');
查看分区数目/结构
show partitions dept_partition;
desc formatted dept_partition;
二级分区
create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (month string, day string)
row format delimited fields terminated by '\t';
其实就是增加分区字段,期于都一样;
加载数据
load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition2 partition(month='201709', day='13');
查询数据
select * from dept_partition2 where month='201709' and day='13';
分区表关联数据的方式
(1)方式一:上传数据后修复
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=12;
hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201709/day=12;
执行修复命令
hive>msck repair table dept_partition2;
(2)方式二:上传数据后添加分区
上传数据
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=12;
hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201709/day=12;
执行添加分区
hive (default)> alter table dept_partition2 add partition(month='201709', day='11');
(3)方式三:上传数据后使用load命令加载数据到分区
hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201709',day='10');