17.Hive数据操作

Posted 2020-12-15 hucheng1997

一、Hive数据定义

1.1 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。

1.2 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“点”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

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。

1.3 复杂数据类型案例实操

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

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 ‘,‘
collection items terminated by ‘_‘
map keys terminated by ‘:‘
lines terminated by ‘
‘;

字段解释：
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 ‘ ‘;：行分隔符

1.4 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。

隐式类型转换规则：

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

可以使用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，表达式返回空值NULL。

0: jdbc:hive2://hadoop102:10000> select ‘1‘+2, cast(‘1‘as int) + 2;

二、DDL数据定义

2.1 数据库相关操作

创建数据库：

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

字段解释：
[IF NOT EXISTS]：数据库如果存在，则不新增

[COMMENT database_comment]：添加数据库相关注释

[LOCATION hdfs_path]：指定数据库在HDFS上存储的位置，默认位置为/user/hive/warehouse/*.db

显示数据库: show databases;

过滤显示查询的数据库：show databases like ‘db_hive*‘;

显示数据库信息： desc database db_hive;

切换当前数据库： use db_hive;

修改数据库：
数据库的其他元数据信息都是不可更改的，包括数据库名和数据库所在的目录位置。

hive (default)> alter database db_hive set dbproperties(‘createtime‘=‘20170830‘);

删除数据库： drop database db_hive2;

删除非空数据库： drop database db_hive cascade;

2.2表操作

①创建表

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]

字段解释：

1. CREATE TABLE：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
2. EXTERNAL：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
3. COMMENT：为表和列添加注释
4. PARTITIONED BY：创建分区表
5. CLUSTERED BY：创建分桶表
6. SORTED BY：不常用，对桶中的一个或多个列另外排序
7. ROW FORMAT ：为表初始化数据
8. 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。
9. LOCATION ：指定表在HDFS上的存储位置
10. AS：后跟查询语句，根据查询结果创建表
11. 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）和外部表

内部表：

默认创建的表都是所谓的管理表，有时也被称为内部表，Hive会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。

普通创建表：create table if not exists student( id int, name string)

查询表的类型：

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

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。

创建外部表：create external table if not exists student( id int, name string)

查询表的类型：

hive (default)> desc formatted student;
Table Type:            EXTERNAL_TABLE

管理表和外部表的使用场景：

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进入内部表。

管理表与外部表的互相转换：

修改表为外部表：alter table student set tblproperties(‘EXTERNAL‘=‘TRUE‘);
修改表为管理表：alter table student set tblproperties(‘EXTERNAL‘=‘FALSE‘);

③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。

创建分区表：

hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (month string)
row format delimited fields terminated by ‘	‘;

注意：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。

加载数据到分区表中：

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table default.dept_partition partition(month=‘201709‘);

查询分区表中数据：hive (default)> select * from dept_partition where month=‘201709‘;

增加分区：hive (default)> alter table dept_partition add partition(month=‘201706‘) ;

删除分区：hive (default)> alter table dept_partition drop partition (month=‘201704‘);

查看分区表有多少分区：hive> show partitions dept_partition;

查看分区表结构：

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

④修改、删除表

重命名表：ALTER TABLE table_name RENAME TO new_table_name

添加列：hive (default)> alter table dept_partition add columns(deptdesc string);

更新列：hive (default)> alter table dept_partition change column deptdesc desc int;

删除表：hive (default)> drop table dept_partition;

清除表数据：hive (default)> truncate table student;

三、DML数据操作

3.1 数据导出

①Insert导出

将查询的结果导出到本地：

hive (default)> insert overwrite local directory ‘/opt/module/datas/export/student‘ 
	select * from student;

将查询的结果格式化导出到本地：

hive(default)>insert overwrite local directory ‘/opt/module/datas/export/student1‘
           ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘	‘             select * from student;

将查询的结果格式化导出到本地：

hive(default)>insert overwrite local directory ‘/opt/module/datas/export/student1‘
           ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘	‘             select * from student;

②Hadoop命令导出到本地

hive (default)> dfs -get /user/hive/warehouse/student/month=201709/000000_0
/opt/module/datas/export/student3.txt;

③Hive Shell 命令导出

[root@hadoop100 hive]$ bin/hive -e ‘select * from default.student;‘ >
 /opt/module/datas/export/student4.txt;

④Export导出到HDFS上

(defahiveult)> export table default.student to
 ‘/user/hive/warehouse/export/student‘;

⑤Sqoop导出

3.2 数据导入

①向表中装载数据（Load）

语法：

hive> load data [local] inpath ‘/opt/module/datas/student.txt‘ [overwrite] into table student
[partition (partcol1=val1,…)];

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

②通过查询语句向表中插入数据（Insert）

hive (default)> insert overwrite table student partition(month=‘201708‘)
             select id, name from student where month=‘201709‘;

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：会覆盖表或分区中已存在的数据

③查询语句中创建表并加载数据（As Select）

create table if not exists student3
as select id, name from student;

④创建表时通过Location指定加载数据路径

hive (default)> create external table if not exists student5(
              id int, name string
              )
              row format delimited fields terminated by ‘	‘
              location ‘/student;

⑤Import数据到指定Hive表中

hive (default)> import table student2 partition(month=‘201709‘) from
 ‘/user/hive/warehouse/export/student‘;