hive中 常用操作
Posted 数据咖啡
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了hive中 常用操作相关的知识,希望对你有一定的参考价值。
本篇文章主要介绍一下hive的常用sql 操作
添加分区
一次添加一个分区
ALTER TABLE table_name ADD PARTITION (partCol = 'value1') location 'loc1'; //示例
ALTER TABLE table_name ADD IF NOT EXISTS PARTITION (dt='20130101') LOCATION '/user/hadoop/warehouse/table_name/dt=20130101'; //一次添加一个分区
一次添加多个分区
ALTER TABLE $abc$ ADD IF NOT EXISTS PARTITION(p_provincecode=$abc.p_provincecode$,p_year=$abc.p_year$,p_month=$abc.p_month$) LOCATION '/hadoop路径/p_provincecode=$abc.p_provincecode$/p_year=$abc.p_year$/p_month=$abc.p_month$/'
ALTER TABLE page_view ADD PARTITION (dt='2008-08-08', country='us') location '/path/to/us/part080808' PARTITION (dt='2008-08-09', country='us') location '/path/to/us/part080809'; //
删除分区
ALTER TABLE login DROP IF EXISTS PARTITION (dt='2008-08-08');
ALTER TABLE page_view DROP IF EXISTS PARTITION (dt='2008-08-08', country='us');
修改分区
ALTER TABLE table_name PARTITION (dt='2008-08-08') SET LOCATION "new location";
ALTER TABLE table_name PARTITION (dt='2008-08-08') RENAME TO PARTITION (dt='20080808');
添加列(字段)
ALTER TABLE table_name ADD COLUMNS (col_name STRING); //在所有存在的列后面,但是在分区列之前添加一列
修改列
CREATE TABLE test_change (a int, b int, c int);
/* will change column a's name to a1*/
ALTER TABLE test_change CHANGE a a1 INT;
hive删除字段
ALTER TABLE wireless_union_data_export_part1 REPLACE COLUMNS();
7.修改表属性
alter table table_name set TBLPROPERTIES ('EXTERNAL'='TRUE'); //内部表转外部表
alter table table_name set TBLPROPERTIES ('EXTERNAL'='FALSE'); //外部表转内部表
8.表的重命名
ALTER TABLE table_name RENAME TO new_table_name
gbase修改字段只能先删掉字段,然后再添加
gbase删除字段
alter table table_name drop 字段名
gbase添加字段
alter table table_name add COLUMN col_name STRING;
gbase清除表数据不删除表
delete 表名
drop 表名
导入数据
load data local inpath '/home/hadoop/ip.txt' [OVERWRITE] into table tab_ext;
external表
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。
为了避免源文件丢失的问题,可以建立external表,数据源可以在任意位置。
CREATE EXTERNAL TABLE tab_ip_ext(id int, name string,
ip STRING,
country STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE
LOCATION '/external/hive';
在创建表的时候,就指定了HDFS文件路径,因此,源文件上传到/external/hive/文件夹即可。
外部表删除时,只删除元数据信息,存储在HDFS中的数据没有被删除。
分桶表
Hive里的分桶=MapReduce中的分区,而Hive中的分区只是将数据分到了不同的文件夹。
create table stu_buck(Sno int,Sname string,Sex string,Sage int,Sdept string)
clustered by(Sno)
sorted by(Sno DESC)
into 4 buckets
row format delimited
fields terminated by ',';
一般不适用load数据进入分桶表,因为load进入的数据不会自动按照分桶规则分为四个小文件。所以,一般使用select查询向分桶表插入文件。
设置变量,设置分桶为true, 设置reduce数量是分桶的数量个数
set hive.enforce.bucketing = true;
set mapreduce.job.reduces=4;
insert overwrite table student_buck
select * from student cluster by(Sno);
insert overwrite table stu_buck
select * from student distribute by(Sno) sort by(Sno asc);
其中,可以用distribute by(sno) sort by(sno asc)替代cluster by(Sno),这是等价的。cluster by(Sno) = 分桶+排序
先分发,再局部排序。区别是distribute更加灵活,可以根据一个字段分区,另外字段排序。
第二个子查询的输出了4个文件作为主查询的输入。
分桶表的原理与作用
原理:
Hive是针对某一列进行桶的组织。Hive采用对列值哈希,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。(原理和MapReduce的getPartition方法相同)
作用:
(1) 最大的作用是用来提高join操作的效率;
前提是两个都是分桶表且分桶数量相同或者倍数关系?
思考这个问题:
select a.id,a.name,b.addr from a join b on a.id = b.id;
如果a表和b表已经是分桶表,而且分桶的字段是id字段
做这个join操作时,还需要全表做笛卡尔积吗?
对于JOIN操作两个表有一个相同的列,如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以,可以大大较少JOIN的数据量。
(2)取样(sampling)更高效。在处理大规模数据集时,在开发和修改查询的阶段,如果能在数据集的一小部分数据上试运行查询,会带来很多方便。
insert语句
Hive一条一条的insert太慢。
但是可以批量的insert.实际就是想文件夹中追加文件。
保存select查询结果的几种方式
1、将查询结果保存到一张新的hive表中
create table t_tmp
as
select * from t_p;
2、将查询结果保存到一张已经存在的hive表中
insert into table t_tmp
select * from t_p;
3、将查询结果保存到指定的文件目录(可以是本地,也可以是HDFS)
insert overwrite local directory '/home/hadoop/test'
select * from t_p;
插入HDFS
insert overwrite directory '/aaa/test'
select * from t_p;
14.查看、删除
SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]
]
[LIMIT number]
常用函数
1.isnull(string a) --如果a是null,返回flase,如果啊不为空,返回true
2.ROUND(double a)四舍五入bigint类型
CEILING --舍入到最大整数 3.33舍入到4 2.98舍入到3 -3.61舍入到-3
FLOOR() --舍入到最小整数 3.33舍入到3 2.98舍入到2 -3.61舍入到-4
3.map(key1, value1, key2, value2, …)通过指定的键/值对,创建一个map
4.cast(expr as <type>)类型转换。例如将字符”1″转换为整数:cast(’1′ as bigint),如果转换失败返回NULL。
例:CAST(num*100 AS decimal(8,0)) as num
5.unix_timestamp() --如果不带参数的调用,返回一个Unix时间戳(从’1970- 01 – 0100:00:00′到现在的UTC秒数)
--指定日期参数调用UNIX_TIMESTAMP(),它返回参数值’1970- 01 – 0100:00:00′到指定日期的秒数
unix_timestamp(string date, string pattern) --指定时间输入格式,返回到1970年秒数:unix_timestamp(’2009-03-20′, ‘yyyy-MM-dd’) = 1237532400
from_unixtime(bigint unixtime[, string format])
例:select from_unixtime(1505750400,'%Y-%m-%d %H-%i-%S');
--UNIX_TIMESTAMP参数表示返回一个值’YYYY- MM – DD HH:MM:SS’或YYYYMMDDHHMMSS.uuuuuu格式,这取决于是否是在一个字符串或数字语境中
to_date(string timestamp) --返回时间中的年月日: to_date(“1970-01-01 00:00:00″) = “1970-01-01″
to_dates(string date) --给定一个日期date,返回一个天数(0年以来的天数)
year、month、day、hour、minute、second、weekofyear --日期转年、转月…………
hour --返回指定时间的小时,范围为0-23
weekofyear(string date) --返回指定日期所在一年中的星期号,范围0到53
datediff('string enddate','string startdate') --两个时间参数的日期之差
DATEDIFF ( date-part, date-expression-1, date-expression-2 ) --返回两个日期之间的间隔
date-part : year | quarter | month | week | day | hour | minute | second | millisecond
sec_to_time(秒) --将秒转化成时间
time_to_sec(时间) --将时间转化为秒
date_add(string startdate,int days) --给定时间,在此基础上加上指定的时间段
date_sub(string startdate,int days) --给定时间,在此基础上减去指定的时间段
6.CASE a WHEN b THEN c [WHEN d THEN e]* [ELSE f] END --当a=b时,返回c;当a=d时,返回e,否则返回f
CASE WHEN a THEN b [WHEN c THEN d]* [ELSE e] END --当值为a时返回b,当值为c时返回d。否则返回e
7.concat(string A, string B…) --连接多个字符串,合并为一个字符串,可以接受任意数量的输入字符串
--任何字符与null连接都是NULL
concat_ws(string SEP, string A, string B…) --带分隔符字符串连接函数
例如:select concat_ws('_','abc','def','gh') from lxw_dual;返回 abc_def_gh
行转列,e.g. select concat_ws('_',collect_set(visitor_name))
8.upper(string A) 或者 ucase(string A) --将文本字符串转换成字母全部大写形式
9.lower(string A) 或者 lcase(string A) --将文本字符串转换成字母全部小写形式
10.trim(string A) --删除字符串两端的空格,字符之间的空格保留
ltrim --左边去空格
rtrim --右边去空格
11.like --例如:a like b --如果字符串A或者字符串B为NULL,则返回NULL;如果字符串A符合表达式B 的正则语法,则为TRUE;否则为FALSE。
--B中字符”_”表示任意单个字符,而字符”%”表示任意数量的字符。
例如:select aaaaaa like '%aaa%'
12.split(string str, string pat) --将字符串转换为数组,以pat为分隔
13.substr(string A, int start) 或者 substring(string A, int start) --字符串截取函数,
例:select substr(‘abcde’,3); --返回cde
例:select substring('ancdefghijklmn',4,8); --返回 defghijk
该子字符串从指定的 beginIndex 处开始, endIndex:到指定的 endIndex-1处结束。
14.regexp_extract --正则表达式解析函数 通过下标返回正则表达式指定的部分
regexp_extract(str, regexp[, idx])
其中:
str是被解析的字符串
regexp 是正则表达式
idx是返回结果 取表达式的哪一部分 默认值为1。
0表示把整个正则表达式对应的结果全部返回,1表示返回正则表达式中第一个() 对应的结果 以此类推
例 from
(select distinct id, name, val from text_table
where p_provincecode=12345 and regexp_extract(lower(id),'(@id)$|(@num)(\\d*)$',0) <>''
)a
$ 匹配行结束符;
* 匹配0或多个正好在它之前的那个字符;重复零次或多次
\ 这是引用符,用来将这里列出的这些元字符当作普通的字符来进行匹配;
| 将两个匹配条件进行逻辑“或”(Or)运算;
\d 匹配数字。在hive这种写正则表达式需要用\转义,所以\\d
^ 匹配一行的开始
? 匹配0或1个正好在它之前的那个字符;重复零次或一次
. 匹配除换行符号外的任意字符
15.regexp_replace(string A, string B, string C) --正则表达式替换函数 字符串A中的B字符被C字符替代
regexp_replace(trim(waitbegin), '/', '-')
unix_timestamp(concat_ws(':', regexp_replace(trim(ackbegin), '/', '-'), '00'))-unix_timestamp(concat_ws(':', regexp_replace(trim(waitbegin), '/', '-'), '00')) as wait_duration,
16.get_json_object(string json_string, string path) --json解析函数 解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效,那么返回NULL。
17.内置聚合函数 count、sum、avg、min、max
18.left semi join ... on ...--只打印左边的表中的列,规律是如果主键在右边表中存在,则打印,否则过滤掉
--相当于sql的in
--不会产生重复的多条记录
19.collect_set --与group by组合能列转行,相当于group_concat
20.SELECT COALESCE(NULL, NULL, GETDATE()) --由于两个参数都为null,所以返回getdate()函数的值,也就是当前时间。即返回第一个非空的值。由于这个函数是返回第一个非空的值,所以参数里面必须最少有一个非空的值,如不是,将会报错
sql:注意问题
1.hive中只有union 没有union all
union --联合两张表(会自动去重,两张表取出的字段个数和类型必须一致) 并集操作
union all --联合两张表的所有数据(不会去重,两张表取出的字段个数和类型必须一致) 并集操作
2.ABS() --求绝对值
3.与over函数结合的几个函数介绍
参考网址:http://blog.csdn.net/winer2008/article/details/4283539
row_number()over()、rank()over()和dense_rank()over()函数的使用
row_number() 是没有重复值的排序(即使两天记录相等也是不重复的),可以利用它来实现分页
dense_rank() 是连续排序,两个第二名仍然跟着第三名
rank() 是跳跃排序,两个第二名下来就是第四名
row_number() OVER (PARTITION BY COL1 ORDER BY COL2)
--表示根据COL1分组,在分组内部根据 COL2排序,而此函数计算的值就表示每组内部排序后的顺序编号(组内连续的唯一的)
例:row_number() over (partition BY stbid,userid ORDER BY timestamp) AS group_idx,
--over(order by salary range between 5 preceding and 5 following):窗口范围为当前行数据幅度减5加5后的范围内的。
sum(s)over(order by s range between 2 preceding and 2 following) 表示加2或2的范围内的求和
--over(order by salary rows between 5 preceding and 5 following):窗口范围为当前行前后各移动5行。
sum(s)over(order by s rows between 2 preceding and 2 following)表示在上下两行之间的范围内
4.group by 和 having
SELECT A COUNT(B) FROM TABLE GROUP BY A HAVING COUNT(B)>2
欢迎关注,更多福利
以上是关于hive中 常用操作的主要内容,如果未能解决你的问题,请参考以下文章