hive综述

1.hive的作用

用类SQL的语言HQL来计算HDFS中的数据，主要做海量数据的离线分析，没有实物的概念.

2.Hive更加侧重OLAP( 联机分析处理)的操作

tips: 

set hive.cli.print.current.db=true//显示数据库实例名

set hive.cli.print.header=true     //显示列名

3.基础建表语句

Create [external] table [if not exists]  table_name

[(col_name data_type[comment],...)]

[comment tablencomment]

[partitioned by (col_name data_type)]

[cluster by (col_name...)]

[sorted by (column_name [asc|desc],...)] into num_buckets buckets

[row format row_format]

[stored as file_format]

[location   hdfs_path]

4.默认数据库的位置

<property>

<name>hive.metastore.warehouse.dir</name>

<value>/usr/hive/warehouse</value>

</property>

也可以通过set hive.metastore.warehouse.dir; 来获取

5.列操作

alter table ... add columns (col_name data_type);

alter table ... replace columns (col_name datatype);

alter table ... change col_name col_name data_type first ; 移动某列到最前

alter table ... change col_name col_name data_type after col_name 1;在某列后新增字段

6.数据的加载方式

读模式：数据被加载到数据库的时候，不对其合法性进行检验，只在查询等操作的时候检验  特点是加载速度快

写模式：加载时，对数据合法性进行检验，数据库中的都是合法数据。  特点：数据加载慢，但查询速度快

hive采用的是度模式，对于非法数据的显示为null

7.hive表中的数据加载

load data [local inpath] linux_fs_path into table tblName;

8.分区操作：

加载分区数据

load data [local path] hdfs_path into table tabName partition (par='');

手工创建分区：alter table tblName add partition(par='');

查看表分区：show partitions tblName

按分区查数据：需开启动态分区 insert into tblName partition (hdfs_par)  select ...;

动静分区同时使用时，需指定静态分区

开启动态分区：

set hive.exec.dynamic.partition=true;

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

set hive.exec.max.dynamic.parititons.pernde=1000;

使用 set hive.exec.max.dynamic.partitions 获取hive支持的最大分区数

数据导出： insert overwrite [local] directory  --select * from ..;

有些hql语句的执行会转化为mr，要提高效率需使用本地模式

set hive.exec.mode.local.auto=true;

9.hive的文件格式

textfile

hive默认格式，数据不做压缩，磁盘开销大，数据解析开销大

使用这种方式hive不会对数据进行切分，从而无法对数据进行并行操作。

sequence file

是hadoop api提供的一种二进制文件支持，具有使用翻遍，可压缩，可分割的特点

rcfile

一种行列存储相结合的存储方式

首先将数据按行分块，保证同一个record在一个块上，避免读取一个记录需要读多个bloce，

其次块数据列式存储，有利于数据压缩和快速的列存取

rcfile存储空间小，查询效率高，需要通过text文件转化来加载，加载的速度最低。

目前用的最多的是parquet,其特点是二进制存储，列式存储，映射下推，谓词下推

10.hive函数 show functions

hive数据行列转换

第一步，做表关联，分析结果

select u.id,u.name,a.address from tll_user u join tll_address a on u.id=a.uid;

第二步，对多个出现的结果按照id来拼接字符串

select u.id,max(u.name),concat_ws(",",collect(a.address)) as addr from tll_user u join tll_address a on u.id=a.id group by u.id;

使用hive完成单词统计

第一步 对文本切割

select split(word,'') from tblName;

第二步 集合数据转多行

select explode(split(word,'')) from tblName;

第三步 使用聚合函数统计

select word,count(1) as count from (select explode(split(word,'') from tblName w group by word));