Hive详解——基本操作归纳

一、Hive基本概念

1. 什么是 Hive

1）hive 简介

Hive：由 Facebook 开源用于解决海量结构化日志的数据统计工具。

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，并提供类 SQL 查询功能。

2）Hive 本质:将 HQL 转化成 MapReduce 程序

1. Hive 处理的数据存储在 HDF
2. Hive 分析数据底层的实现是 MapReduce
3. 执行程序运行在 Yarn 上

2. Hive 的优缺点

1）优点

1. 操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
2. 避免了去写 MapReduce，减少开发人员的学习成本。
3. Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。
4. Hive 优势在于处理大数据，对于处理小数据没有优势，因为 Hive 的执行延迟比较高。
5. Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

2）缺点

1. Hive 的 HQL 表达能力有限

   1. 迭代式算法无法表达
   2. 数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。

2. Hive 的效率比较低

   1. Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
   2. Hive 调优比较困难，粒度较粗

3. Hive 架构原理

1. 用户接口：Client

   CLI(command-line interface)、JDBC/ODBC(jdbc 访问 hive)、WEBUI(浏览器访问 hive)

2. 元数据：Metastore
   元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等;

   默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore

3. Hadoop
   使用 HDFS 进行存储，使用 MapReduce 进行计算。

4. 驱动器：Driver

   1. 解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存在、SQL 语义是否有误。
   2. 编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
   3. 优化器（Query Optimizer）：对逻辑执行计划进行优化。
   4. 执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来说，就是 MR/Spark。

Hive 通过给用户提供的一系列交互接口，接收到用户的指令（SQL），使用自己的 Driver， 结合元数据（MetaStore），将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。

4. Hive 和数据库比较

由于 Hive 采用了类似 SQL 的查询语言 HQL（Hive Query Language），因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。 本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1）查询语言

由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

2）数据更新

由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修 改数据。

3）执行延迟

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。 当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。

4）数据规模

由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

二、Hive安装

1. Hive 安装地址

• Hive 官网地址：http://hive.apache.org/
• 文档查看地址：https://cwiki.apache.org/confluence/display/Hive/GettingStarted
• 下载地址：http://archive.apache.org/dist/hive/
• github 地址：https://github.com/apache/hive

2. 安装MySQL

下载地址：https://dev.mysql.com/downloads/mysql/

1. 检查是否安装了mariadb

   yum list installed | grep mariadb
   

   若linux中安装了mariadb数据库，先卸载掉，mariadb数据库可能与安装mysql发生冲突：
   

   # 卸载 mariadb
   yum -y remove mariadb-libs.x86_64
   

2. 将安装包上传到服务器，解压并重命名 MySQL

   tar -zxvf mysql-5.7.36-linux-glibc2.12-x86_64.tar.gz -C /usr/local/
   cd /usr/local/
   mv mysql-5.7.36-linux-glibc2.12-x86_64/ mysql-5.7.36
   

3. 创建 data 文件夹及 mysql 用户

   cd /usr/local/mysql-5.7.36/
   mkdir data
   
   useradd  mysql
   

4. 初始化MySQL

   cd /usr/local/mysql-5.7.36/
   bin/mysqld --initialize --user=mysql --datadir=/usr/local/mysql-5.7.36/data/ --basedir=/usr/local/mysql-5.7.36/
   

   该命令执行后，会生成一个临时的 mysql 数据库 root 用户的密码，请先拷贝出来记住，后续第一次登录mysql需要使用
   

5. 启动MySQL

   bin/mysqld_safe &
   

6. 登录MySQL并修改密码

   # 登录，-u 指定用户名 -p 指定密码
   bin/mysql -uroot -p
   
   # 修改mysql的root用户的密码，命令语法：alter user '用户名'@'主机域名或ip' identified by '新密码'
   alter user 'root'@'localhost' identified by '123';
   

7. 授权远程访问并刷新权限

   grant all privileges on *.* to root@'%' identified by '123';
   flush  privileges;
   

3. Hive 安装部署

安装 Hive（3.1.2），日志默认记录位置：/tmp/用户名/hive.log

1. 下载：http://archive.apache.org/dist/hive/hive-3.1.2/

2. 把 apache-hive-3.1.2-bin.tar.gz 上传到 linux ，然后解压 apache-hive-3.1.2-bin.tar.gz 到 /usr/local 目录下面

   tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /usr/local/
   

3. 修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive-3.1.2

   cd /usr/local/
   mv apache-hive-3.1.2-bin/ hive-3.1.2
   

4. 修改 /etc/profile.d/my_env.sh，添加环境变量

   $ sudo vim /etc/profile.d/my_env.sh
   
   #HIVE_HOME
   export HIVE_HOME="/usr/local/hive-3.1.2"
   export PATH="$PATH:$HIVE_HOME/bin"
   

5. 解决日志 Jar 包冲突

   $ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak
   

4. Hive 元数据配置到 MySQL

Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与 其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。

1. 下载驱动
   下载地址：https://mvnrepository.com/artifact/mysql/mysql-connector-java/5.1.49

   

2. 拷贝驱动：将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

3. 配置 Metastore 到 MySQL ：在 $HIVE_HOME/conf 目录下新建 hive-site.xml 文件

   $ vim $HIVE_HOME/conf/hive-site.xml
   

   添加如下内容，其中 Mysql 连接信息需要修改

   <?xml version="1.0"?>
   <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
   <configuration>
   	<!-- jdbc 连接的 URL --> 
   	<property>
   		<name>javax.jdo.option.ConnectionURL</name>
   		<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value> 
   	</property>
   	<!-- jdbc 连接的 Driver--> 
   	<property>
   		<name>javax.jdo.option.ConnectionDriverName</name>
   		<value>com.mysql.jdbc.Driver</value> 
   	</property>
   	<!-- jdbc 连接的 username--> 
   	<property>
   		<name>javax.jdo.option.ConnectionUserName</name>
   		<value>root</value>
   	</property>
   	<!-- jdbc 连接的 password --> 
   	<property>
   		<name>javax.jdo.option.ConnectionPassword</name>
   		<value>123</value>
   	</property>
   	<!-- Hive 元数据存储版本的验证 --> 
   	<property>
   		<name>hive.metastore.schema.verification</name>
   		<value>false</value>
   	</property>
   	<!--元数据存储授权--> 
   	<property>
   		<name>hive.metastore.event.db.notification.api.auth</name>
   		<value>false</value>
   	</property>
   	<!-- Hive 默认在 HDFS 的工作目录 --> 
   	<property>
   		<name>hive.metastore.warehouse.dir</name>
   		<value>/user/hive/warehouse</value>
   	</property>
   </configuration>
   

4. 登录 Mysql ，创建上一步配置的数据库

   $ mysql -uroot -p123
   mysql> create database metastore
   mysql> quit;
   

5. 初始化 Hive 元数据库

   schematool -initSchema -dbType mysql -verbose
   

Mysql 中只是存储的元数据（记录表的位置），

5. 启动并使用 Hive

1）启动 Hive

$ hive

日志默认记录位置：/tmp/用户名/hive.log

2）使用 Hive

hive> show databases;
hive> show tables;
hive> create table test(id string);
hive> insert into test values("张三");
hive> select * from test;

3）Hadoop中查看文件

可以看到，刚使用 Hive 插入的数据，存储到了 Hadoop 中。

注意：Mysql 中只存储元数据，而真正的数据存储在 Hadoop 中，而在 Hive 中创建表，只是在 Mysql 中创建元数据，此时如果手动通过 HDFS 上传文件（文件名为表名），也可以在 Hive 中查询到。换句话说，Hive 要能查到数据，元数据和真实数据都必须存在。

如下是 Hive 存储在 Mysql 中的两张表：

• 表 DBS，记录了数据库信息：
  
• 表 TBLS，记录了表信息：
  

6. 使用元数据服务的方式访问 Hive

1. 在 hive-site.xml 文件中添加如下配置信息

   	<!-- 指定存储元数据要连接的地址 --> 
   	<property>
   		<name>hive.metastore.uris</name>
   		<value>thrift://hadoop102:9083</value>
   	</property>
   

2. 启动 metastore

   # 前台启动
   $ hive --service metastore
   2021-11-23 16:06:10: Starting Hive Metastore Server
   
   # 后台启动
   $ nohup hive --service metastore 2>&1 &
   

   注意：启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作

3. 打开新窗口，启动 hive

   $ hive
   

7. 使用 JDBC 方式访问 Hive

1. 在 hive-site.xml 文件中添加如下配置信息

	<!-- 指定 hiveserver2 连接的 host --> 
	<property>
		<name>hive.server2.thrift.bind.host</name>
		<value>hadoop102</value>
	</property>
	<!-- 指定 hiveserver2 连接的端口号 --> 
	<property>
		<name>hive.server2.thrift.port</name>
		<value>10000</value>
	</property>

2. 启动 hiveserver2（需要多等待一会）

   # 前台启动
   hive --service hiveserver2
   
   # 后台启动
   nohup hive --service hiveserver2 2>&1 &
   

   启动时，可以查看 /tmp/用户名/hive.log 中的日志，程序首先会查找 Tez 配置，并会报错：
   
   这时候不用管这个报错，在等待 60s 后，程序便可以正常启动成功

3. 另一个窗口，启动 beeline 客户端

   beeline -u jdbc:hive2://hadoop102:10000 -n root
   

   • 报错：
     
   • 解决方法：
     打开 hadoop 的 core-site.xml 文件，在其中添加如下配置（其中 root 换成对应的用户名）：

     <!-- 其中root换成自己的用户名 -->
     <property>
       	<name>hadoop.proxyuser.root.hosts</name>
       	<value>*</value>
     </property>
     <property>
       	<name>hadoop.proxyuser.root.groups</name>
       	<value>*</value>
     </property>
     

     修改完成后重启 hadoop

4. 启动成功

   

编写脚本来管理服务的启动和关闭：https://gitee.com/xinboss/bigdata/blob/master/Hive/sh/hiveservices.sh

8. Hive 常用命令

1）常用交互命令

$ hive -help
usage: hive
 -d,--define <key=value>          Variable substitution to apply to Hive
                                  commands. e.g. -d A=B or --define A=B
    --database <databasename>     Specify the database to use
 -e <quoted-query-string>         SQL from command line
 -f <filename>                    SQL from files
 -H,--help                        Print help information
    --hiveconf <property=value>   Use value for given property
    --hivevar <key=value>         Variable substitution to apply to Hive
                                  commands. e.g. --hivevar A=B
 -i <filename>                    Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the
                                  console)

1. -e：不进入 hive 的交互窗口执行 sql 语句

   $ hive -e "select id from student;"
   

2. -f 执行脚本中 sql 语句

   echo "select * from test;" > test.sql
   cat test.sql
   hive -f test.sql
   

2）其他命令

1. 在 hive cli 命令窗口中如何查看 hdfs 文件系统

   hive> dfs -ls /;
   

2. 查看在 hive 中输入的所有历史命令

   # 历史命令存放在当前用户家目录的 .hivehistory 文件中
   cat ~/.hivehistory
   

9. Hive 常见属性配置

1）Hive 运行日志信息配置

1. Hive 的 log 默认存放在 /tmp/atguigu/hive.log 目录下(当前用户名下)

2. 修改 hive 的 log 存放日志到 /usr/local/hive-3.1.2/logs

   cd $HIVE_HOME/conf
   cp hive-log4j2.properties.template hive-log4j2.properties
   vim hive-log4j2.properties
   	# 修改配置
   	property.hive.log.dir = /usr/local/hive-3.1.2/logs
   

2）打印 当前库 和 表头

在 hive-site.xml 中加入如下两个配置:

<property> 
	<name>hive.cli.print.header</name> 
	<value>true</value>
</property>
<property> 
	<name>hive.cli.print.current.db</name> 
	<value>true</value>
</property>

3）参数配置方式

a. 查看当前所有的配置信息

默认的配置信息存放在 conf/hive-default.xml.template 中，也可以在 hive cli 中使用 set 查看所有参数：

hive (default)> set;

b. 参数的配置三种方式（优先级从高到低）

1. 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。

2. 命令行参数方式
   启动 Hive 时，可以在命令行添加 -hiveconf param=value 来设定参数。注意：仅对本次 hive 启动有效

   $ hive -hiveconf mapred.reduce.tasks=10;
   
   # 查看参数
   hive (default)> set mapred.reduce.tasks;
   

3. SET 声明参数
   可以在 HQL 中使用 SET 关键字设定参数，注意：仅对本次 hive 启动有效

   hive (default)> set mapred.reduce.tasks=100;
   

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 < SET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。

三、Hive数据类型

1. 基本数据类型

Hive 数据类型	Java 数据类型	长度
TINYINT	byte	1byte 有符号整数
SMALINT	short	2byte 有符号整数
INT	int	4byte 有符号整数
BIGINT	long	8byte 有符号整数
BOOLEAN	boolean	布尔类型，true 或者 false
FLOAT	float	单精度浮点数
DOUBLE	double	双精度浮点数
STRING	string	字符系列。可以指定字符集。可以使用单引号或者双引号。
TIMESTAMP		时间类型
BINARY		字节数组

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数。

2. 集合数据类型

数据类型	描述	语法示例
STRUCT	和 c 语言中的 struct 类似，都可以通过 “.” 符号访问元素内容。例如，如果某个列的数据类型是 STRUCT{first STRING, last STRING}，那么第 1 个元素可以通过 字段.first 来引用。	struct() 例如 struct<street:string, city:string>
MAP	MAP 是一组 键-值 对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是 MAP，其中键 ->值对是 ’first’->’John’ 和 ’last’->’Doe’，那么可以通过 字段名[‘last’] 获取最后一个元素	map() 例如 map<string, int>
ARRAY	数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为 [‘John’, ‘Doe’]，那么第 2 个元素可以通过 数组名[1] 进行引用。	Array() 例如 array<string>

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

案例：

1. 假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格式为

{
	"name": "songsong",
	"friends": ["bingbing" , "lili"] , 	//列表 Array,
	"children": 						//键值 Map,
		{
			"xiao song": 18 ,
			"xiaoxiao song": 19
		}
	"address": 							//结构 Struct,
		{
		"street": "hui long guan",
		"city": "beijing"
		}
}

2. 基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。 创建本地测试文件 test.txt

   songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
   yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
   

   注意：MAP，STRUCT 和 ARRAY 里的元素间关系都可以用同一个字符表示，这里用 “_”。

3. Hive 上创建测试表 test

   create table test(
   name string,
   friends array<string>,
   children map<string, int>,
   address struct<street:string, city:string>
   )
   row format delimited fields terminated by ','	--列分隔符
   collection items terminated by '_'		--MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
   map keys terminated by ':'		-- MAP 中的 key 与 value 的分隔符
   lines terminated by '\n';		-- 行分隔符
   

4. 导入文本数据到测试表

   load data local inpath '/root/tmp/test.txt' into table test;
   

5. 访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式

   hive (default)> select * from test;
   test.name	test.friends		test.children						test.address
   songsong	["bingbing","lili"]	{"xiao song":18,"xiaoxiao song":19}	{"street":"hui long guan","city":"beijing"}
   yangyang	["caicai","susu"]	{"xiao yang":18,"xiaoxiao yang":19}	{"street":"chao yang","city":"beijing"}
   
   hive (default)> select friends[1], children['xiao song'], address.city from test;
   _c0		_c1		city
   lili	18		beijing
   susu	NULL	beijing
   

3. 类型转化

Hive 的原子数据类型是可以进行隐式转换的，类似于 Java 的类型转换，例如某表达式使用 INT 类型，TINYINT 会自动转换为 INT 类型，但是 Hive 不会进行反向转化，例如，某表达式使用 TINYINT 类型，INT 不会自动转换为 TINYINT 类型，它会返回错误，除非使用 CAST 操作。

1. 隐式类型转换规则如下：

   1. 任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成 INT，INT 可以转换成 BIGINT。
   2. 所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成 DOUBLE。
   3. TINYINT、SMALLINT、INT 都可以转换为 FLOAT。
   4. BOOLEAN 类型不可以转换为任何其它的类型

2. 使用 CAST 操作显示进行数据类型转换

   例如： CAST('1' AS INT) 将把字符串 ‘1’ 转换成整数 1；如果强制类型转换失败，如执行 CAST('X' AS INT)，表达式返回空值 NULL。

   hive (default)> select '1'+2, cast('1'as int) + 2;
   _c0		_c1
   3.0		3
   

四、DDL数据定义

1. 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];

例子：

# 创建一个数据库，数据库在 HDFS 上的默认存储路径是 /user/hive/warehouse/*.db
create database db_hive;

# 避免要创建的数据库已经存在错误，增加 if not exists 判断
create database if not exists db_hive;

# 创建一个数据库，指定数据库在 HDFS 上存放的位置
create database db_hive2 location '/db_hive2.db';

2. 查询数据库

1）显示数据库

1. 显示数据库

   show databases;
   

2. 过滤显示查询的数据库

   show databases like 'db_hive*';
   

2）查看数据库详情

1. 显示数据库信息

   desc database db_hive;
   

2. 显示数据库详细信息，extended

   desc database extended db_hive;
   

3）切换当前数据库

use db_hive;

3. 修改数据库

用户可以使用 ALTER DATABASE 命令为某个数据库的 DBPROPERTIES 设置 键-值 对属性值，来描述这个数据库的属性信息。

hive (default)> alter database db_hive set dbproperties('createtime'='20211125');

# 查看修改结果
hive (default)> desc database extended db_hive;
db_name	comment	location	owner_name	owner_type	parameters
db_hive		hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db	root	USER	{createtime=20211125}

4. 删除数据库

删除数据库时，hdfs 目录和 mysql 元数据都会删除

# 删除空数据库
drop database db_hive2;

# 采用 if exists 判断数据库是否存在
drop database if exists db_hive2;

# 数据库不为空，可以采用 cascade 命令，强制删除
drop database db_hive cascade;

5. 创建表

创建表时，也就是在 hdfs 中创建了一个目录，目录下的所有文件中的数据都属于这个表，都可以通过这个表查询出来。这些文件中数据的数据分隔符必须遵循相同的规则，才能被 hive 顺利读取

1）建表语法

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]
[TBLPROPERTIES (property_name=property_value, ...)] 
[AS select_statement]

• CREATE TABLE table_name：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。

• EXTERNAL：关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实际数据的路径（LOCATION），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。

• COMMENT：为表和列添加注释。

• PARTITIONED BY：创建分区表

• CLUSTERED BY：创建分桶表

• SORTED BY：不常用，对桶中的一个或多个列另外排序

• ROW FORMAT：

  ROW FORMAT DELIMITED [FIELDS TERMINATED BY char] 
  [COLLECTION ITEMS TERMINATED BY char] 
  [MAP KEYS TERMINATED BY char] 
  [LINES TERMINATED BY char]
  或者
  ROW FORMAT 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。

  SerDe 是 Serialize/Deserilize 的简称， hive 使用 Serde 进行行对象的序列与反序列化。

• 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。

• LOCATION：指定表在 HDFS 上的存储位置。

• AS：后跟查询语句，根据查询结果创建表。

• LIKE：允许用户复制现有的表结构，但是不复制数据。

2）管理表（内部表）与外部表

• 管理表：默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive 会（或多或少地）控制着数据的生命周期。Hive 默认情况下会将这些表的数据存储在由配置项 hive.metastore.warehouse.dir（默认 /user/hive/warehouse）所定义的目录的子目录下。 当我们删除一个管理表时，Hive 也会删除这个表中数据。管理表不适合和其他工具共享数据。
• 外部表：因为表是外部表，所以 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

查看表类型：

hive (default)> desc formatted test;
Table Type:         	MANAGED_TABLE

3）管理表与外部表的互相转换

# 修改内部表 test 为外部表
alter table test set tblproperties('EXTERNAL'='TRUE');

# 修改外部表 test 为内部表
alter table test set tblproperties('EXTERNAL'='FALSE');

注意：('EXTERNAL'='TRUE') 和 ('EXTERNAL'='FALSE') 为固定写法，区分大小写

6. 修改表

1）重命名表

ALTER TABLE table_name RENAME TO new_table_name

2）更新列

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name
column_type [COMMENT col_comment] [FIRST|AFTER column_name]

3）增加和替换列

修改只是修改元数据信息，hdfs 中存储的数据不会被修改

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

• ADD：是代表新增一字段，字段位置在所有列后面（partition 列前），
• REPLACE：则是表示替换表中所有字段。

4）删除表

内部表中数据和元数据都会被删除，外部表只有元数据会被删除

drop table dept;

五、DML数据操作

1. 装载数据（Load）

load data [local] inpath '数据的 path' [overwrite] into table student [partition (partcol1=val1,...)];

• load data：表示加载数据
• local：表示从本地加载数据到 hive 表；否则从 HDFS 加载数据到 hive 表
• inpath：表示加载数据的路径
• overwrite：表示覆盖表中已有数据，否则表示追加
• into table：表示加载到哪张表
• student：表示具体的表
• partition：表示上传到指定分区

// 从本地加载数据到 hdfs，相当于 -put 操作
load data local inpath '/opt/module/hive/datas/student.txt' into table default.student;

// 将 hdfs 目录下的文件移动到 student 表所在的目录，相当于 -mv 操作
load data inpath '/student.txt' into table default.student;

2. 插入数据（Insert）

• insert into：以追加数据的方式插入到表或分区，原有数据不会删除
• insert overwrite：会覆盖表中已存在的数据

注意：insert 不支持插入部分字段

# 基本插入
insert into table student_par values(1, "zhangsan"),(2, "lisi");

# 根据单张表查询结果进行插入
insert overwrite table student_par 
select id, name from student where month='201709';

# 多表(多分区)插入模式(根据多张表查询结果)
from student
insert overwrite table student partition(month='201707') select id, name where month='201709'
insert overwrite table student partition(month='201706') select id, name where month='201709';

3. 创建表时加载数据（As Select、Location）

# 根据查询结果创建表(查询的结果会添加到新创建的表中)
create table if not exists student3 as select id, name from student;

# 先将数据上传到相应目录，创建表时通过 Location 来指定路径
hive> dfs -put /opt/module/datas/student.txt /student;
hive> create external table if not exists student5(id int, name string)
	  row format delimited fields terminated by '\t'
	  location '/student;

4. 导出数据

1. Insert 导出

   # 将查询的结果导出到本地
   insert overwrite local directory '/opt/module/hive/data/export/student'
   select * from student;
   
   # 将查询的结果格式化导出到本地
   insert overwrite local directory '/opt/module/hive/data/export/student1'
   ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
   select * from student;
   
   # 将查询的结果导出到 HDFS 上(没有 local)
   insert overwrite directory '/user/atguigu/student2'
   ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
   select * from student;
   

2. Hadoop 命令导出到本地

   dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;
   

3. Hive Shell 命令导出
   语法：hive -f/-e 执行语句或者脚本 > file

   hive -e 'select * from default.student;' > /opt/module/hive/data/export/student4.txt;
   

5. Import / Export 导入导出

export 和 import 主要用于两个 Hadoop 平台集群之间 Hive 表迁移。

# 导出表到 /test 路径上（hdfs），导出数据中包含namenode的元数据
export table test to "/test";

# 将上面导出的目录导入到新表中
import table test2 from "/test";

6. 清空表（Truncate）

注意：Truncate 只能删除管理表，不能删除外部表中数据

TRUNCATE TABLE table_name;

六、查询

官方文档：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select

查询语句语法:

SELECT [ALL | DISTINCT] select_expr, select_expr, ... 
	FROM table_reference
	[WHERE where_condition]
	[GROUP BY col_list]
  	[ORDER BY col_list]
  	[CLUSTER BY col_list
    	| [DISTRIBUTE BY col_list] [SORT BY col_list]
  	]
 	[LIMIT number]

数据准备：https://gitee.com/xinboss/bigdata/tree/master/Hive/data

1. 列别名

# 给列起别名，AS 可有可无
select ename AS name, deptno dn from emp;

2. 算术运算符

运算符	描述
A+B	A 和 B 相加
A-B	A减去B
A*B	A 和 B 相乘
A/B	A除以B
A%B	A对B取余
A&B	A和B按位取与
A|B	A和B按位取或
A^B	A 和 B 按位取异或
~A	A 按位取反

3. 常用函数

# 求总行数(count)
select count(*) cnt from emp;

# 工资的最大值(max)
select max(sal) max_sal from emp;

# 工资的最小值(min)
select min(sal) min_sal from emp;

# 工资的总和(sum)
select sum(sal) sum_sal from emp;

# 工资的平均值(avg)
select avg(sal) avg_sal from emp;

4. Limit 语句

典型的查询会返回多行数据。LIMIT 子句用于限制返回的行数。

select * from emp limit 5;

5. Where 语句

使用 WHERE 子句，将不满足条件的行过滤掉

# 查询出薪水大于 1000 的所有员工
select * from emp where sal > 1000;

注意：where 子句中不能使用字段别名。

6. 比较运算符（Between/In/ Is Null）

下面表中描述了谓词操作符，这些操作符同样可以用于 JOIN...ON 和 HAVING 语句中。

操作符	支持的数据类型	描述
A=B	基本数据类型	如果 A 等于 B 则返回 TRUE，反之返回 FALSE
A<=>B	基本数据类型	如果 A 和 B 都为 NULL，则返回 TRUE，如果一边为 NULL，返回 False
A<>B, A!=B	基本数据类型	A 或者 B 为 NULL 则返回 NULL；如果 A 不等于 B，则返回 TRUE，反之返回 FALSE
A<B	基本数据类型	A 或者 B 为 NULL，则返回 NULL；如果 A 小于 B，则返回 TRUE，反之返回 FALSE
A<=B	基本数据类型	A 或者 B 为 NULL，则返回 NULL；如果 A 小于等于 B，则返 回 TRUE，反之返回 FALSE
A>B	基本数据类型	A 或者 B 为 NULL，则返回 NULL；如果 A 大于 B，则返回 TRUE，反之返回 FALSE
A>=B	基本数据类型	A 或者 B 为 NULL，则返回 NULL；如果 A 大于等于 B，则返 回 TRUE，反之返回 FALSE
A [NOT] BETWEEN B AND C	基本数据类型	如果 A，B 或者 C 任一为 NULL，则结果为 NULL。 如果 A 的值大于等于 B 而且小于或等于 C，则结果为 TRUE，反之为 FALSE。 如果使用 NOT 关键字则可达到相反的效果。
A IS NULL	所有数据类型	如果 A 等于 NULL，则返回 TRUE，反之返回 FALSE
A IS NOT NULL	所有数据类型	如果 A 不等于 NULL，则返回 TRUE，反之返回 FALSE
IN(数值 1, 数值 2)	所有数据类型	使用 IN 运算显示列表中的值
A [NOT] LIKE B	STRING 类型	B 是一个 SQL 下的简单正则表达式，也叫通配符模式， 如果 A 与其匹配的话，则返回 TRUE；反之返回 FALSE。 B 的表达式说明如下：‘x%’表示 A 必须以字母‘x’开头，‘%x’表示 A 必须以字母’x’结尾，而‘%x%’表示 A 包含有字母’x’ 如果使用 NOT 关键字则可达到相反的效果。
A RLIKE B, A REGEXP B	STRING 类型	B 是基于 java 的正则表达式，如果 A 与其匹配，则返回 TRUE；反之返回 FALSE。 匹配使用的是 JDK 中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串 A 相匹配，而不是只需与其字符串匹配。

7. Like 和 RLike

使用 LIKE 运算选择类似的值，选择条件可以包含字符或数字：

• % 代表零个或多个字符(任意个字符)。
• _ 代表一个字符。

RLIKE 子句：RLIKE 子句是 Hive 中这个功能的一个扩展，其可以通过 Java 的正则表达式这个更强大的语言来指定匹配条件。

# 查找名字以 A 开头的员工信息
select * from emp where ename LIKE 'A%';
# 查找名字中第二个字母为 A 的员工信息
select * from emp where ename LIKE '_A%';
# 查找名字中带有 A 的员工信息
select * from emp where ename RLIKE '[A]';

8. 逻辑运算符（And/Or/Not）

操作符	含义
AND	逻辑并
OR	逻辑或
NOT	逻辑否

# 查询薪水大于 1000，部门是 30
select * from emp where sal>1000 and deptno=30;
# 查询薪水大于 1000，或者部门是 30
select * from emp where sal>1000 or deptno=30;
# 查询除了 20 部门和 30 部门以外的员工信息
select * from emp where deptno not IN(30, 20);

9. 分组

1）Group By 语句

GROUP BY 语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然 后对每个组执行聚合操作。

# 查询 emp 每个部门中每个岗位的最高薪水
select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;

2）Having 语句

having 与 where 不同点：

1. where 后面不能写分组函数，而 having 后面可以使用分组函数。
2. having 只用于 group by 分组统计语句。

# 查询平均薪水大于 2000 的部门
select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

3）GROUPING SETS

官方文档：https://cwiki.apache.org/confluence/display/Hive/Enhanced+Aggregation%2C+Cube%2C+Grouping+and+Rollup

在一个GROUP BY 查询中，根据不同的维度组合进行聚合，等价于将不同维度的 GROUP BY 结果进行 UNION ALL 操作。GROUPING SETS 就是一种将多个 GROUP BY 逻辑 UNION 写在一个 HIVE SQL 语句中的便利写法。GROUPING SETS 会把在单个 GROUP BY 逻辑中没有参与 GROUP BY 的那一列置为 NULL 值，这样聚合出来的结果，未被 GROUP BY 的列将显示为 NULL。

select deptno, job, count(*) from emp group by deptno, job grouping sets ((deptno, job), deptno, job, ());

# 等价于：
select deptno, job, count(*) from emp group by deptno, job
union
select deptno, null, count(*) from emp group by deptno
union
select null, job, count(*) from emp group by job
union
select null, null, count(*) from emp;

部分结果：

deptno	job		_c2
NULL	NULL	14
10		NULL	3
20		NULL	5
30		NULL	6
NULL	ANALYST	2
20		ANALYST	2
NULL	CLERK	4
10		CLERK	1

10. Join 语句

Hive 支持通常的 SQL JOIN 语句。

1）常用JOIN

全连接（图中最后一行）的另一种写法：

# union 去重; union all 不去重
SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key;

SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key WHERE B.Key IS NULL
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key WHERE A.Key IS NULL;

大多数情况下，Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。当对 3 个或者更多表进行 join 连接时，如果每个 on 子句都使用相同的连接键的 话，那么只会产生一个 MapReduce job。

2）笛卡尔积

笛卡尔集就是 A 表每一行和 B 表每一行进行连接，会在下面条件下产生：

1. 省略连接条件
2. 连接条件无效
3. 所有表中的所有行互相连接

例如：

# 省略连接条件
select empno, dname from emp, dept;

11. 排序

1）全局排序（Order By）

Order By：全局排序，只有一个 Reducer

• ASC(ascend)：升序(默认)
• DESC(descend)：降序

# 查询员工信息按工资升序排列
select * from emp order by sal asc;

# 部门升序，工资降序
select ename, deptno, sal from emp order by deptno, sal desc;

2）每个 Reduce 内部排序（Sort By）

Sort By：对于大规模的数据集，order by 的效率非常低。在很多情况下，并不需要全局排序，此时可以使用 sort by。Sort by 为每个 reducer 产生一个排序文件。每个 Reducer 内部进行排序，对全局结果集来说不是排序。

# 设置 reduce 个数
set mapreduce.job.reduces=3;
# 查看设置 reduce 个数
set mapreduce.job.reduces;
# 根据部门编号降序查看员工信息
select deptno from emp sort by deptno desc;
# 将查询结果导入到文件中(按照部门编号降序排序)
insert overwrite local directory '/tmp/sortby-result' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from emp sort by deptno desc;

3）分区（Distribute By）

Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个 reducer，通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by 类似 MR 中 partition (自定义分区)，进行分区，结合 sort by 使用。

注意：

• distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，余数相同的分到一个区。
• Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。
• 对于 distribute by 进行测试，一定要分配多 reduce 进行处理，否则无法看到 distribute by 的效果。

# 设置 reduce 个数
set mapreduce.job.reduces=4;

# 按分区进行查询
insert overwrite local directory '/tmp/distribute-result' 
select deptno,empno from emp distribute by deptno sort by empno desc;

上例中的分区计算：
Int 数据类型的 hash 码为 Int 数据本身，上面的例子中，分区数为 4，所以

• 部门编号为 20 的数据会在第 0 个分区（20 % 4 = 0）
• 部门编号为 10 和 30 的数据会在第 2 个分区（10 % 4 = 2，30 % 4 = 2）

4）Cluster By

当 distribute by 和 sorts by 字段相同时，可以使用 cluster by 方式。cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。但是排序只能是升序排序，不能指定排序规则为 ASC 或者 DESC。

以下两种写法等价：

select deptno,empno from emp cluster by deptno;
select deptno,empno from emp distribute by deptno sort by deptno;

七、分区表和分桶表

1. 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。

1）基本操作

1. 准备数据：https://gitee.com/xinboss/bigdata/tree/master/Hive/data/partition

2. 创建分区表，其中 day 是分区字段，分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。

   create table dept_partition(
   deptno int, dname string, loc string
   )
   partitioned by (day string)
   row format delimited fields terminated by ',';
   

3. 加载数据到分区表中，分区表加载数据时，必须指定分区，如果不指定分区，数据会放到默认分区：__HIVE_DEFAULT_PARTITION__

   load data local inpath '/root/data/dept_20200401.log' into table dept_partition partition(day='20200401');
   

4. 查看 hdfs 目录结构：
   

5. 查询分区表中数据

   select * from dept_partition where day='20200401';
   
   select * from dept_partition where day='20200401' union
   select * from dept_partition where day='20200402';
   
   select * from dept_partition where day='20200401' or day='20200402' or day='20200403';
   

6. 增加分区

   # 创建单个分区
   alter table dept_partition add partition(day='20200404');
   
   # 同时创建多个分区
   alter table dept_partition add partition(day='20200405') partition(day='20200406');
   

7. 删除分区

   # 删除单个分区
   alter table dept_partition drop partition (day='20200406');
   
   # 同时删除多个分区
   alter table dept_partition drop partition (day='20200404'), partition(day='20200405');
   

8. 查看分区表有多少分区

   show partitions dept_partition;
   

9. 查看分区表结构

   hive> desc formatted dept_partition;
   # Partition Information
   # col_name            	data_type           	comment
   day                 	string
   

2. 二级分区

1）基本操作

# 创建二级分区表
create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by ',';

# 加载数据到二级分区表中
load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 
partition(day='20200401', hour='12');

# 查询分区数据
select * from dept_partition2 where day='20200401' and hour='12';

2）数据直接上传到分区目录，如何让分区表和数据产生关联

1. 上传数据

   hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
   hive (default)> dfs -put /tmp/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
   

2. 查询数据（查询不到刚上传的数据）

   hive (default)> select * from dept_partition2 where day='20200401' and hour='13';
   

这是因为 Hive 的元数据中没有记录这个手动创建的分区（可以查看 Mysql 中的表 PARTITIONS），可以通过下面 3 种方法来让分区表和数据产生关联

1. 执行修复命令

msck repair table dept_partition2;

2. 上传数据后手动添加分区

alter table dept_partition2 add partition(day='20200401',hour='13');

3. 创建文件夹后 load 数据到分区 创建目录

load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table
dept_partition2 partition(day='20200401',hour='13');

3. 动态分区调整

关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive 中也提供了类似的机制，即动态分区（Dynamic Partition）。

1）常用配置

1. 开启动态分区功能(默认 true，开启)

   hive.exec.dynamic.partition=true
   

2. 设置为非严格模式（动态分区的模式，默认 strict，表示必须指定至少一个分区为 静态分区，nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）

   hive.exec.dynamic.partition.mode=nonstrict
   

3. 在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。默认 1000

   hive.exec.max.dynamic.partitions=1000
   

4. 在每个执行 MR 的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就需要设置成大于 365，如果使用默认值 100，则会报错。

   hive.exec.max.dynamic.partitions.pernode=100
   

5. 整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 100000

   hive.exec.max.created.files=100000
   

6. 当有空分区生成时，是否抛出异常。一般不需要设置。默认 false

   hive.error.on.empty.partition=false
   

2）案例

需求：将 emp 表中的数据按照部门（deptno 字段）和岗位（job 字段），插入到目标表 emp_partition 的相应分区中。

1. 创建目标分区表

   create table emp_partition_dy(empno int, ename string)
   partitioned by (deptno int, job string) row format delimited fields terminated by '\t';
   

2. 设置为非严格模式

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

3. 插入数据，按照插入数据后两个字段动态的进行分区。假设有 n 个分区，那么就会按照插入数据的后 n 个字段自动进行分区

   insert into table emp_partition_dy partition(deptno, job) select empno, ename, deptno, job from emp;
   
   # 同上，hive3 新特性，可以省略分区关键字，此时非严格模式也不需要开
   insert into table emp_partition_dy select empno, ename, deptno, job from emp;
   

4. 分桶表

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。

• 分桶是将数据集分解成更容易管理的若干部分的另一个技术。分桶针对的是数据文件。
• 分区针对的是数据的存储路径；

分桶规则：Hive 的分桶采用对分桶字段的值进行哈希，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

1）案例

1. 数据准备：https://gitee.com/xinboss/bigdata/tree/master/Hive/data/bucket

2. 创建分桶表，表字段中必须包含分桶字段，id 为分桶字段，分为 4 个桶

   create table stu_buck(id int, name string)
   clustered by(id)
   into 4 buckets
   row format delimited fields terminated by ',';
   

3. 导入数据到分桶表中，load 的方式

   load data local inpath '/root/data/data.txt' into table stu_buck;
   

4. 查看创建的分桶表中是否分成 4 个桶

   hive> desc formatted stu_buck;
   Num Buckets:        	4
   

   

2）注意事项

1. reduce 的个数设置为 -1，让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个数设置为大于等于分桶表的桶数
2. 从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题
3. 不要使用本地模式

3）抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive 可以通过对分桶表进行抽样来满足这个需求。

• 语法：TABLESAMPLE(BUCKET x OUT OF y)
• y：将分桶表中所有数据分成 y 份
• x：从分成的 y 份中取第 x 份的数据，注意：x 的值必须小于等于 y 的值，否则会报错

# 查询表 stu_buck 中的数据。on id 表示以 id 做为分桶字段
select * from stu_buck tablesample(bucket 1 out of 4 on id);

八、函数

1. 系统内置函数

1. 查看系统自带的函数

   show functions;
   

2. 显示自带的函数的用法

   desc function upper;
   

3. 详细显示自带的函数的用法，包含使用样例

   desc function extended upper;
   

2. 常用内置函数

Hive 自定义函数包括三种 UDF、UDAF、UDTF

• UDF(User-Defined-Function)：一进一出，例如：nvl，if

• UDAF(User- Defined Aggregation Funcation)：聚合函数，多进一出。例如：count，max，min

• UDTF(User-Defined Table-Generating Functions)：一进多出，如：explore，split

1）常用日期函数

函数	说明	例子
unix_timestamp	返回当前或指定时间的时间戳	select unix_timestamp(); select unix_timestamp(“2020-10-28”,‘yyyy-MM-dd’);
from_unixtime	将时间戳转为日期格式	select from_unixtime(1603843200);
current_date	当前日期	select current_date;
current_timestamp	当前的日期加时间	select current_timestamp;
to_date	抽取日期部分	select to_date(‘2020-10-28 12:12:12’);
year	获取年	select year(‘2020-10-28 12:12:12’);
month	获取月	select month(‘2020-10-28 12:12:12’);
day	获取日	select day(‘2020-10-28 12:12:12’);
hour	获取时	select hour(‘2020-10-28 12:12:12’);
minute	获取分	select minute(‘2020-10-28 12:12:12’);
second	获取秒	select second(‘2020-10-28 12:12:12’);
weekofyear	当前时间是一年中的第几周	select weekofyear(‘2020-10-28 12:12:12’);
dayofmonth	当前时间是一个月中的第几天	select dayofmonth(‘2020-10-28 12:12:12’);
months_between	两个日期间的月份	select months_between(‘2020-04-01’,‘2020-10-28’);
add_months	日期加减月	select add_months(‘2020-10-28’,-3);
datediff	两个日期相差的天数	select datediff(‘2020-11-04’,‘2020-10-28’);
date_add	日期加天数	select date_add(‘2020-10-28’,4);
date_sub	日期减天数	select date_sub(‘2020-10-28’,-4);
last_day	日期的当月的最后一天	select last_day(‘2020-02-30’);
date_format()	格式化日期	select date_format(‘2020-10-28 12:12:12’,‘yyyy/MM/dd HH:mm:ss’);

2）常用取整函数

函数	说明	例子
round	四舍五入	select round(3.14); select round(3.54);
ceil	向上取整	select ceil(3.14); select ceil(3.54);
floor	向下取整	select floor(3.14); select floor(3.54);

3）常用字符串操作函数

函数	说明	例子
upper	转大写	select upper(‘low’);
lower	转小写	select lower(‘low’);
length	长度	select length(“abcdefg”);
split(str, regex)	正则表达式 regex 匹配的分隔符来拆分 str	select split(‘oneAtwoBthree’, ‘[AB]’);
trim	前后去空格	select trim(" abcdefg ");
lpad	向左补齐，到指定长度，如果字符串长度大于指定长度，则截取	select lpad(‘abcdefg’,9,‘g’);
rpad	向右补齐，到指定长度，如果字符串长度大于指定长度，则截取指定长度	select rpad(‘abcdefg’,9,‘g’);
regexp_replace	使用正则表达式匹配目标字符串，匹配成功后替换	select regexp_replace(‘2020/10/25’, ‘/’, ‘-’);

4）集合操作

函数	说明	例子
size	集合中元素的个数	select size(friends) from test3;
map_keys	返回map中的key	select map_keys(children) from test3;
map_values	返回map中的value	select map_values(children) from test3;
array_contains	判断array中是否包含某个元素	select array_contains(friends,‘bingbing’) from test3;
sort_array	将array中的元素排序	select sort_array(friends) from test3;

5）空字段赋默认值 NVL

NVL( value，default_value)：给值为 NULL 的数据赋值。如果 value 为 NULL，则 NVL 函数返回 default_value 的值，否则返回 value 的值，如果两个参数 都为 NULL ，则返回 NULL。

# 如果员工的 comm 为 NULL，则用-1 代替
select comm, nvl(comm, -1) from emp;

6）多维分析 grouping_set

在一个 GROUP BY 查询中，根据不同的维度组合进行聚合，等价于将不同维度的 GROUP BY 结果集进行 UNION ALL

• GROUPING__ID：表示结果属于哪一个分组集合。

查询语句：

select 
  month,
  day,
  count(distinct cookieid) as uv,
  GROUPING__ID
from cookie.cookie5 
group by month,day 
grouping sets (month,day) 
order by GROUPING__ID;

等价于：

SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM cookie5 GROUP BY month 
UNION ALL 
SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM cookie5 GROUP BY day

7）拼接字符串或列 CONCAT

• concat(str1/col, str2/col, ...)：返回输入字符串连接后的结果，支持任意个输入字符串；
• concat_ws(separator, [string | array(string)]+)：它是一个特殊形式的 CONCAT()。第一个参数为分隔符，分隔符将被加到其它字符串参数之间和数组元素这间。如果分隔符是 NULL，返回值也将为 NULL；如果连接时有字符串为 NULL，则会跳过连接 NULL 值。

# 下面两个语句返回结果相同
select concat('A', '-', 'B', '-', 'C');
select concat_ws('-', 'A', 'B', 'C'); 

8）COLLECT_SET/COLLECT_LIST

• COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生 Array 类型字段。
• COLLECT_LIST(col)：同上，但是字段值不进行去重。

# 该列所有值生成一个集合
select COLLECT_SET(deptno) from emp;
select COLLECT_LIST(deptno) from emp;

3. CASE WHEN THEN ELSE END

1. 查询出不同部门男女各多少人

   select dept_id,
   	sum(case sex when '男' then 1 else 0 end) male_count, 
   	sum(case sex when '女' then 1 else 0 end) female_count
   from emp_sex
   group by dept_id;
   
   # 另一种写法
   select dept_id,
   	sum(if(sex = '男', 1, 0),
   	sum(if(sex = '女', 1, 0)
   from emp_sex
   group by dept_id;
   

2. 统计各个工资等级的员工数

   SELECT
     CASE WHEN sal <= 1000 THEN '1'
       WHEN sal > 1000 AND sal <= 2000  THEN '2'
       WHEN sal > 2000 AND sal <= 3000  THEN '3'
       WHEN sal > 3000 THEN '4'
     END salary,
     COUNT(*)
   FROM emp
   GROUP BY
     CASE WHEN sal <= 1000 THEN '1'
       WHEN sal > 1000 AND sal <= 2000  THEN '2'
       WHEN sal > 2000 AND sal <= 3000  THEN '3'
       WHEN sal > 3000 THEN '4'
     END;
   

4. 行转列

• 统计各部门，各岗位的员工名字

  select
  deptno, job, concat_ws(',', collect_set(ename)) enames
  from emp
  group by deptno, job;
  

  结果：

  deptno	job		enames
  20		ANALYST	SCOTT,FORD
  10		CLERK	MILLER
  20		CLERK	SMITH,ADAMS
  30		CLERK	JAMES
  

5. 列转行

1）函数说明

• EXPLODE(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。
• LATERAL VIEW：lateral view 用于和 split，explode 等 UDTF 一起使用，它能够将一行数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。lateral view 首先为原始表的每行调用 UDTF，UDTF 会把一行拆分成一或者多行，lateral view 再把结果组合，产生一个支持别名表的虚拟表。
  • 用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias

2）案例

需求：将行转列后的数据再转换回去

1. 将上一步行转列后的数据保存到新表中

   create table emp2
   row format delimited fields terminated by "\t"
   as select
       e.deptno, e.job, concat_ws(',', collect_set(e.ename)) enames
   from emp e
   group by e.deptno, e.job;
   

2. 行转列

   select deptno, job, ename
   from emp2
   lateral view explode(split(enames, ',')) t1 AS ename;
   

3. 查看结果

   deptno	job	ename
   20		ANALYST	SCOTT
   20		ANALYST	FORD
   10		CLERK	MILLER
   20		CLERK	SMITH
   20		CLERK	ADAMS
   30		CLERK	JAMES
   

6. 窗口函数（开窗函数）

官方文档：
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics

1）相关函数说明

开窗函数的格式：

函数() OVER(选项) 

其中函数可以是聚合函数（count，sum等）或者如下函数（常用）：

• LAG(col, n [, default_val])：往前第 n 行数据
• LEAD(col, n [, default_val])：往后第 n 行数据
• NTILE(n)：把有序窗口的行分发到指定数据的组中（对窗口中的行进行分组），各个组有编号，编号从 1 开始，对于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为 int 类型。

OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。OVER() 中的格式：

OVER([PARTITION BY col] [ORDER BY col [DESC]] [(ROWS | RANGE) BETWEEN frame_start AND frame_end]

• PARTITION BY：子句来定义行的分区来供进行聚合计算，相当于 group by，只不过只能使用在 over() 中
• ORDER BY：对分区中的数据进行排序
• ROWS 是按行数据来限制窗口大小，而 RANGE 是按 col 取出的值来限制窗口大小，例如：BETWEEN 1 preceding AND 1 following
  • ROWS：窗口包含了前一行，当前行和后一行
  • RANGE：假设当前行该列的值为 1，则窗口范围为：所有该列值等于 0，1，2 的行
• frame_start 和 frame_end 可以是以下几种，用来定义窗口规则：
  • CURRENT ROW：当前行
  • n PRECEDING：往前 n 行数据
  • n FOLLOWING：往后 n 行数据
  • UNBOUNDED：起点，
    • UNBOUNDED PRECEDING：表示从前面的起点，
    • UNBOUNDED FOLLOWING：表示到后面的终点

特殊的：

• 当存在 ORDER BY 而省略窗口规则时，默认的窗口规则为从起点到当前行：RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
• 当 ORDER BY 与窗口规则都省略时，默认的窗口规则为从起点到终点：ROW BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING

2）数据准备

https://gitee.com/xinboss/bigdata/tree/master/Hive/data/over

3）案例

1. 查询顾客的购买明细及顾客月购买总额

   select 
     name, 
     orderdate,
     cost,
     sum(cost) over(partition by name, month(orderdate))
   from business;
   

2. 上述的场景, 将每个顾客的 cost 按照日期进行累加

   select 
     name, 
     orderdate,
     cost,
     sum(cost) over(partition by name order by orderdate)
   from business;
   
   

3. 窗口大小举例

   select 
     sum(cost) over() as sample1, --所有行相加
     sum(cost) over(partition by name) as sample2, --按 name 分组，组内数据相加 
     sum(cost) over(partition by name order by orderdate) as sample3, --按 name 分组，组内数据累加
     sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,--和 sample3 一样,由起点到 当前行的聚合
     sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合
     sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行
     sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行 
   from business;
   

4. 查询每个顾客上次的购买时间

   select 
     name, 
     orderdate,
     cost,
     LAG(orderdate, 1) over(partition by name order by orderdate)
   from business;
   

5. 查询前 20%时间的订单信息（排序后分成 5 份，取第 1 份）

   ntile(5)：将窗口中的数据分成 5 份，并进行编号

   select * 
   from (
     select 
       *,
       ntile(5) over(order by orderdate) sorted
     from business) t
   where t.sorted = 1;
   

7. Rank 排名

对窗口中的数据进行排名，当数据相同时，根据不同排名情况对应下面三种 Rank 函数：

• RANK()：排序相同时会重复，总数不会变（1，1，3）
• DENSE_RANK()：排序相同时会重复，总数会减少（1，1，2）
• ROW_NUMBER()：会根据顺序计算（1，2，3）

查询各个部门的薪水排名：

select deptno, ename, sal,
rank() over(partition by deptno order by sal desc) rp,
dense_rank() over(partition by deptno order by sal desc) drp,
row_number() over(partition by deptno order by sal desc) rmp
from emp;

部分结果如下：

deptno	ename	sal		rp	drp	rmp
20		SCOTT	3000.0	1	1	1
20		FORD	3000.0	1	1	2
20		JONES	2975.0	3	2	3

8. 自定义函数

当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数。
官方文档地址：https://cwiki.apache.org/confluence/display/Hive/HivePlugins

根据用户自定义函数类别分为以下三种：

1. UDF(User-Defined-Function)：一进一出
2. UDAF(User-Defined Aggregation Function)：聚集函数，多进一出类似于：count/max/min
3. UDTF(User-Defined Table-Generating Functions)：一进多出，例如 lateral view explode()

编程步骤：

1. 继承 Hive 提供的类，实现类中的抽象方法

   org.apache.hadoop.hive.ql.udf.generic.GenericUDF
   org.apache.hadoop.hive.ql.udf.generic.GenericUDTF; 
   

2. 在 hive 的命令行窗口创建函数添加 jar，然后创建 function

   # 添加jar
   add jar linux_jar_path;
   # 创建 function
   create [temporary] function [dbname.]function_name AS class_name;
   

3. 在 hive 的命令行窗口删除函数

   drop [temporary] function [if exists] [dbname.]function_name;
   

1）自定义 UDF 函数

需求：自定义一个 UDF，实现计算给定字符串的长度，例如:

1. 创建一个 Maven 工程，引入 Hive 依赖

   <dependency>
       <groupId>org.apache.hive</groupId>
       <artifactId>hive-exec</artifactId>
       <version>3.1.2</version>
   </dependency>
   

2. 自定义 UDF 函数，需要继承 GenericUDF 类

   /**
    * 计算给定字符串的长度
    */
   public class MyUdf extends GenericUDF {
       /**
        * @param arguments 输入参数类型的鉴别器对象
        * @return 返回值类型的鉴别器对象
        * @throws UDFArgumentException
        */
       @Override
       public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
           // 判断输入参数的个数
           if (arguments.length != 1) {
               throw new UDFArgumentLengthException(
                       "参数长度不是 1");
           }
   
           // 判断输入参数的类型
           if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE) ){
               throw new UDFArgumentTypeException(0, "输入参数类型错误");
           }
   
           //函数本身返回值为 int，需要返回 int 类型的鉴别器对象
           return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
       }
   
       /**
        * 函数的逻辑处理
        * @param arguments 输入的参数
        * @return 返回值
        * @throws HiveException
        */
       @Override
       public Object evaluate(DeferredObject[] arguments) throws HiveException {
           String s = arguments[0].get().toString();
   
           if (s == null) {
               return null;
           }
   
           return s.length();
       }
   
       
       @Override
       public String getDisplayString(String[] children) {
           return "";
       }
   }
   

3. 打成 jar 包上传到服务器 /root/jar/myudf.jar

4. 将 jar 包添加到 hive 的 classpath

   add jar /root/jar/myudf.jar;
   

5. 创建临时函数与开发好的 java class 关联

   # create temporary function 函数名 as 类路径;
   create temporary function my_len as "com.udf.MyUdf";
   

6. 即可在 hql 中使用自定义的函数

   select ename, my_len(ename) ename_len from emp;
   

2）自定义 UDTF 函数

需求：自定义一个 UDTF 实现将一个任意分割符的字符串切割成独立的单词：

1. 代码实现

   /**
    * 将一个任意分割符的字符串切割成独立的单词
    */
   public class MyUdtf extends GenericUDTF {
   
       private ArrayList<String> outList = new ArrayList<>();
   
       @Override
       public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {
           //1.定义输出数据的列名和类型
           List<String> fieldNames = new ArrayList<>();
           List<ObjectInspector> fieldOIs = new ArrayList<>();
   
           //2.添加输出数据的列名和类型，一个列名对应一个类型，列名可以被别名覆盖
           fieldNames.add("lineToWord");
           fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
           
           return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
       }
   
       @Override
       public void process(Object[] args) throws HiveException {
           //1.获取原始数据
           String arg = args[0].toString();
           //2.获取数据传入的第二个参数，此处为分隔符
           String splitKey = args[1].toString();
           //3.将原始数据按照传入的分隔符进行切分
           String[] fields = arg.split(splitKey);
   
           //4.遍历切分后的结果，并写出
           for (String field : fields) {
               //集合为复用的，首先清空集合
               outList.clear();
               //将每一个单词添加至集合
               outList.add(field);
               //将集合内容写出
               forward(outList);
           }
       }
   
       @Override
       public void close() throws HiveException {
   
       }
   }
   

2. 打成 jar 包上传到服务器 /root/jar/myutdf.jar

3. 将 jar 包添加到 hive 的 classpath

   add jar /root/jar/myutdf.jar;
   

4. 创建临时函数与开发好的 java class 关联

   # create temporary function 函数名 as 类路径;
   create temporary function myudtf as "com.udtf.MyUtdf";
   

5. 即可在 hql 中使用自定义的函数

   select myudtf("hello,world,hadoop,hive", ",");