hive基础指南（精华篇）

Posted 2021-04-29 Hadoop非权威指南

关于Hive

Hive作为数据仓库，起源于Facebook，工作原理大致可以解释为：对用户输入的hql进行解释，编译，优化并生成查询计划，并转化为MapReduce任务进而执行：解释器——编译器——优化器——执行器；

Hive的元数据一般存储在关系型数据库中，如mysql;

底层存储用到的是HDFS分布式存储系统；

优点：1. 简单易上手：提供了类SQL查询语言HQL；2.可扩展：为超大数据集设计了计算/扩展能力（MR作为计算引擎，HDFS作为存储系统）；3. 提供统一的元数据管理；4. 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：继承hive的UDF类，重写evaluate方法；5. 容错：良好的容错性，节点出现问题SQL仍可完成执行；

缺点：1. hive的HQL表达能力有限；2. 效率比较低，自动生成的mapreduce作业，通常情况下不够智能化，且调优比较困难；

Hive与传统数据库的异同

Hive数据类型

Hive用户接口

1）Hive CLI（Hive CommandLine，Hive命令行），客户端可以直接在命令行模式下进行操作

2）hwi（Hive WebInterface，Hive Web接口），Hive提供了更直观的Web界面

3）hiveserver，Hive提供了Thrift服务，Thrift客户端目前支持C++/Java/php/Python/Ruby

Hive常用文件格式

Textfile：默认格式，数据不做压缩，磁盘开销大，数据解析开销大；

SEQUENCEFILE：SequenceFile是Hadoop API提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点；

rcfile：RCFILE是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取;

parquet:Apache Parquet是Hadoop生态圈中一种新型列式存储格式，它可以兼容Hadoop生态圈中大多数计算框架;

Hive数据导入导出

从本地数据导入：load data local inpath '/home/hadoop/test.txt' overwrite into table test01partition(state='good', city='xiamen');

从其他表导入数据：from test01 insert overwrite table test02 partition(state='good', city='xiamen') select id,name,age,course,body,address;

导出数据到本地文件系统：insert overwrite localdirectory '/home/hns/test' select * from test01;

导出数据到HDFS中：insertoverwrite directory '/home/hns/test' select * from test01;

导出到hive的另一张表：insertinto table test02 partition (age='25') select id, name, tel from test01;

Hive基本语句

建表：
CTRAT TABLE IF NOT EXISTS  page_view(viewTime INT,userid BIGINT)

ROWFORMAT DELIMITED FIELDS TERMINATED BY ‘,’ //指定了列分隔符为,
LINE TERMINATED BY ‘\n’ //指定了行分隔符为换行符\n

PARTITIONEDBY (country STRING, state STRING)  //用这两个字段分区
STORED AS TEXTFILE //指定存储文件的格式

删表：

DROPTABLE IF EXISTS page_view;

修改列信息:

ALTERTABLE page_view ADD COLUMNS ( appname STRING COMMENT ‘Application name',sessionid LONG COMMENT ‘ The current session id');

查询：

select* from tablename;(全表查询，生产环境不建议使用，慢且占用资源，仅用作范例)

可添加limit关键字限制查询条数，或where语句筛选查询范围

where… like …:可进行模糊查询,如：

SELECT* from test.scBUS where scBUS.country like concat('%','a1','%')

HAVING子句:允许用户通过一个简单的语法完成原本需要通过子查询才能对GROUP BY语句产 生的分组进行条件过滤的任务,如：

selectsno,sname,stall from student where sage=6 and sex=’男’ group by sno havingstall>167;

join语句：

Hive支持通常的SQL JOIN语句，但是只支持等值连接：

selectdistinct a.sname from student a left join sc b on (a.sno=b.sno);

关于内连接、外连接和半连接：

几种连接区别简单概括为：内连接只显示了俩张表都存在的数据，而外连接则是显示出所有的数据，其中左连接是左外边的表输出完整数据。右外连接是右边的表输出完整数据，全外连接就是两张表的所有行全部输出。做半连接用来补充hive相对于mysql等语句缺失的in/exists这样的子句，就用left semi join代替，和left join的区别在于右边的表数据不会加载进结果；

Orderby 和sortby:ORDER BY会对查询结果集执行一个全局排序,所有的数据都通过一个reducer进行处理;SORT BY，其只会在每个reducer中对数据进行排序，也就是执行一个局部排序过程,生产中可以和DISTRIBUTE BY一起用，实现分区并排序。