大数据生态系统-Hive基本操作
学习目标
- 记忆Hive的HQL基本操作
- 记忆Hive的内部表和外部表区别
- 记忆分区表的使用
1-Hive HQL基本操作
- 创建数据库
CREATE DATABASE test;
- 显示所有数据库
SHOW DATABASES;
- 创建表
CREATE TABLE student(classNo string, stuNo string, score int) row format delimited
fields terminated by ',';
-
row format delimited fields terminated by ‘,’ 指定了字段的分隔符为逗号,所以load数据的时候,load的文本也要为逗号,否则加载后为NULL。hive只支持单个字符的分隔符,hive默认的分隔符是\001
-
将数据load到表中
- 在本地文件系统创建一个如下的文本文件:/root/tmp/student.txt
C01,N0101,82
C01,N0102,59
C01,N0103,65
C02,N0201,81
C02,N0202,82
C02,N0203,79
C03,N0301,56
C03,N0302,92
C03,N0306,72
load data local inpath '/root/tmp/student.txt'overwrite into table student;
- 这个命令将student.txt文件复制到hive的warehouse目录中,这个目录由hive.metastore.warehouse.dir配置项设置,默认值为/user/hive/warehouse。Overwrite选项将导致Hive事先删除student目录下所有的文件, 并将文件内容映射到表中。 Hive不会对student.txt做任何格式处理,因为Hive本身并不强调数据的存储格式。
- 查询表中的数据 跟SQL类似
hive>select * from student;
- 分组查询group by和统计 count
hive>select classNo,count(score) from student where score>=60 group by classNo;
从执行结果可以看出 hive把查询的结果变成了MapReduce作业通过hadoop执行
2-Hive的内部表和外部表
-
案例
- 创建一个外部表student2
CREATE EXTERNAL TABLE student2 (classNo string, stuNo string, score int) row format
delimited fields terminated by ',' location '/root/tmp/student';
- 装载数据
load data local inpath '/root/tmp/student.txt' overwrite into table student2;
- 显示表信息
desc formatted table_name;
- 删除表查看结果
drop table student;
-
再次创建外部表 student2
-
不插入数据直接查询查看结果
select * from student2;
3-分区表
3.1什么是分区表
- 随着表的不断增大,对于新纪录的增加,查找,删除等(DML)的维护也更加困难。对于数据库中的超大型表,可以通过把它的数据分成若干个小表,从而简化数据库的管理活动,对于每一个简化后的小表,我们称为一个单个的分区。
- hive中分区表实际就是对应hdfs文件系统上独立的文件夹,该文件夹内的文件是该分区所有数据文件。
- 分区可以理解为分类,通过分类把不同类型的数据放到不同的目录下。
- 分类的标准就是分区字段,可以一个,也可以多个。
- 分区表的意义在于优化查询。查询时尽量利用分区字段。如果不使用分区字段,就会全部扫描。
3.2创建分区表
tom,4300
jerry,12000
mike,13000
jake,11000
rob,10000
create table employee (name string,salary bigint) partitioned by (date1 string) row
format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;
- 查看表的分区
show partitions employee;
- 添加分区
alter table employee add if not exists partition(date1='2018-12-01');
- 加载数据到分区
load data local inpath '/root/tmp/employee.txt' into table employee partition(date1='2018-12-01');
- 如果重复加载同名文件,不会报错,会自动创建一个*_copy_1.txt
- 外部分区表即使有分区的目录结构, 也必须要通过hql添加分区, 才能看到相应的数据
hadoop fs -mkdir /user/hive/warehouse/emp/dt=2018-12-04
hadoop fs -copyFromLocal /root/tmp/employee.txt /user/hive/warehouse/test.db/emp/dt=2018-12-04/employee.txt
- 此时查看表中数据发现数据并没有变化, 需要通过hql添加分区
alter table employee add if not exists partition(dt='2018-12-04');
- 此时再次查看才能看到新加入的数据
- 关于分区表的几点说明
- 分区字段不是数据文件中的列数据
- 分区字段的值仅仅是一个目录名
- 查看数据时, hive会自动添加分区列
- 支持多级分区也就是多级子目录
动态分区
- 在写入数据时自动创建分区(包括目录结构)
- 创建表
create table employee2 (name string,salary bigint) partitioned by (date1 string) row
format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;
- 导入数据
insert into table employee2 partition(date1) select name,salary,date1 from employee;
- 使用动态分区需要设置参数
set hive.exec.dynamic.partition.mode=nonstrict;
4-总结
- HQL与SQL基本相同,需要注意建表的时候指定分隔符
- 内部表外部表区别:外部表数据可以在HDFS的任何位置,删除表时只删除元数据,内部表数据必须在指定位置,删除表时数据元数据一同删除
- 分区表就是在表文件夹下的子文件夹,通过分区表可以减少数据查询范围,提高查询效率,分区表中分区字段需要在建表时指定,增加新的分区字段值需要通过alter table partition来指定