Hive是一个数据仓库基础的应用工具,在Hadoop中用来处理结构化数据,它架构在Hadoop之上,通过SQL来对数据进行操作。
Hive 查询操作过程严格遵守Hadoop MapReduce 的作业执行模型,Hive 将用户的Hive SQL 语句通过解释器转换为MapReduce 作业提交到Hadoop 集群上,Hadoop 监控作业执行过程,然后返回作业执行结果给用户。Hive 并非为联机事务处理而设计,Hive 并不提供实时的查询和基于行级的数据更新操作。Hive 的最佳使用场合是大数据集的批处理作业。
下面总结一下Hive操作常用的一些SQL语法:
"[ ]"括起来的代表我们可以写也可以不写的语句。
创建数据库
CREATEname;
- 显示查看操作命令
show tables; --显示表 show--显示数据库 showtable_name; --显示表名为table_name的表的所有分区 show functions--显示所有函数 describetable_name--查看表中字段 |
DDL(Data Defination Language)
数据库定义语言
- 创建表结构
CREATEEXTERNAL] TABLEIF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BYCOMMENT col_comment], ...)] [CLUSTERED BY (col_name, col_name, ...) [SORTED BYASC|DESC], ...)] INTO num_buckets BUCKETS] [ROW FORMAT row_format] [STORED AS file_format] [LOCATION hdfs_path] |
- 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 EXIST 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,在建表的同时指定一个指向实际数据的路径(LOCATION)
- LIKE 允许用户复制现有的表结构,但是不复制数据
- COMMENT可以为表与字段增加描述
- ROW FORMAT 设置行数据分割格式
DELIMITED [FIELDS TERMINATED BYchar] [COLLECTION ITEMS TERMINATED BYchar] MAPBYchar] [LINES TERMINATED BYchar] WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)] |
- STORED AS
SEQUENCEFILE | TEXTFILE | RCFILE | INPUTFORMAT input_format_classname OUTPUTFORMAT output_format_classname |
如果文件数据是纯文本,可以使用AS TEXTFILE。
如果数据需要压缩,使用AS SEQUENCE 。
创建简单表:
CREATE TABLEnameINT); |
创建外部表:
CREATE EXTERNAL TABLEINT, userid BIGINT, page_url STRING, referrer_url STRING, COMMENT'IP Address of the User', COMMENT'country of origination') COMMENT'这里写表的描述信息' ROWBY'\054' AS TEXTFILE LOCATION'<hdfs_location>'; |
创建分区表:
CREATE TABLEINT, userid BIGINT, page_url STRING, referrer_url STRING, COMMENT'IP Address of the User') COMMENT'This is the page view table' BY(date STRING, pos STRING) ROW\t' BY'\n' STORED AS SEQUENCEFILE; |
创建分桶表:
CREATE TABLEINT, userid BIGINT, page_url STRING, referrer_url STRING, COMMENT'IP Address of the User') COMMENT'This is the page view table' BY(date STRING, pos STRING) BY(userid) SORTED BY(viewTime) INTO 32 BUCKETS ROW\t' BY'\n' STORED AS SEQUENCEFILE; |
创建带索引字段的表:
CREATE TABLEINT, bar STRING) PARTITIONED BY (dindex STRING); |
复制一个空表:
CREATE TABLE empty_key_value_store LIKE key_value_store; |
显示所有表:
SHOW TABLES; |
按正则表达式显示表:
SHOW TABLES'.*s'; |
表中添加一个字段:
ALTER TABLEADD COLUMNSINT); |
添加一个字段并为其添加注释:
ALTER TABLEADD COLUMNSINTCOMMENT'a comment'); |
删除列:
ALTER TABLEREPLACE COLUMNS(idBIGINT, name STRING); |
更改表名:
ALTER TABLERENAME TO new_events; |
增加、删除分区
--增加: ALTER TABLE table_name ADDIF NOT EXISTS] partition_spec [ LOCATION'location1'LOCATION'location2' ] ... partition_spec: PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)
--删除: ALTER TABLE table_name DROP partition_spec, partition_spec,... |
改变表的文件格式与组织:
ALTER TABLE table_name SET FILEFORMAT file_format ALTER TABLE table_nameBY(userid) SORTED BY(viewTime) INTO--这个命令修改了表的物理存储属性 |
创建和删除视图:
--创建视图:
CREATE VIEWIF NOT EXISTS] view_name [ (column_nameCOMMENTCOMMENTAS SELECT;
--删除视图: DROP VIEW view_name; |
DML(Data manipulation language)
数据操作语言,主要是数据库增删改三种操作,DML包括:INSERT插入、UPDATE新、DELETE删除。
向数据表内加载文件:
LOAD DATALOCAL] INPATH 'filepath'INTO TABLEPARTITION (partcol1=val1, partcol2=val2 ...)] --load操作只是单纯的复制/移动操作,将数据文件移动到Hive表对应的位置。 --加载本地 LOAD DATA LOCAL'./examples/files/kv1.txt'INTO TABLE pokes;
--加载HDFS数据,同时给定分区信息 LOAD DATA'/user/myname/kv2.txt'INTO TABLEPARTITION'2008-08-15'); |
将查询结果插入到Hive表:
INSERTTABLEPARTITIONFROM from_statement;
--多插入模式: FROM from_statement INSERTTABLEPARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 [INSERTTABLEPARTITION ...] select_statement2] ...
--自动分区模式 INSERTTABLEPARTITIONFROM from_statement; |
将查询结果插入到HDFS文件系统中:
INSERTLOCAL] DIRECTORY directory1 SELECTFROM ... FROM from_statement INSERTLOCAL] DIRECTORY directory1 select_statement1 INSERTLOCAL] DIRECTORY directory2 select_statement2] |
INSERT INTO
INSERT INTO TABLEPARTITIONFROM from_statement; |
insert overwrite和insert into的区别:
- insert overwrite 会覆盖已经存在的数据,假如原始表使用overwrite 上述的数据,先现将原始表的数据remove,再插入新数据。
- insert into 只是简单的插入,不考虑原始表的数据,直接追加到表中。最后表的数据是原始数据和新插入数据。
DQL(data query language)数据查询语言 select操作
SELECT查询结构:
SELECTALLDISTINCT] select_expr, select_expr, ... FROM table_reference [WHERE where_condition] [GROUP BYHAVING condition]] [ CLUSTER BY col_list BYBY| ORDER BY col_list] ] [LIMITnumber] |
- 使用ALL和DISTINCT选项区分对重复记录的处理。默认是ALL,表示查询所有记录DISTINCT表示去掉重复的记录
- Where 条件 类似我们传统SQL的where 条件
- ORDER BY 全局排序,只有一个Reduce任务
- SORT BY 只在本机做排序
- LIMIT限制输出的个数和输出起始位置
将查询数据输出至目录:
INSERT'/tmp/hdfs_out'SELECTFROMWHERE'<DATE>'; |
将查询结果输出至本地目录:
INSERTLOCAL'/tmp/local_out'SELECTFROM pokes a; |
将一个表的结果插入到另一个表:
FROMINSERTTABLESELECTcount(1) WHEREGROUP BY a.bar; INSERTTABLESELECTcount(1) FROMWHEREGROUP BY a.bar; JOIN FROMJOINONINSERTTABLESELECT t1.bar, t1.foo, t2.foo; |
将多表数据插入到同一表中
FROM src INSERTTABLESELECTWHEREkey < 100 INSERTTABLESELECTkey, src.value WHEREkeyandkey < 200 INSERTTABLEPARTITION(ds='2008-04-08', hr='12') SELECTkey WHEREkeyandkey < 300 INSERTLOCAL'/tmp/dest4.out'SELECTvalue WHEREkey >= 300; |
Hive 只支持等值连接(equality joins)、外连接(outer joins)和(left semi joins)。Hive 不支持所有非等值的连接,因为非等值连接非常难转化到 map/reduce 任务。
- LEFT,RIGHT和FULL OUTER关键字用于处理join中空记录的情况
- LEFT SEMI JOIN 是 IN/EXISTS 子查询的一种更高效的实现
- join 时,每次 map/reduce 任务的逻辑是这样的:reducer 会缓存 join 序列中除了最后一个表的所有表的记录,再通过最后一个表将结果序列化到文件系统
- 实际应用过程中应尽量使用小表join大表 join查询时应注意的点:
--只支持等值连接 SELECTFROMJOINONidid)
SELECTFROMJOIN b ONidid AND a.department = b.department)
--可以 join 多个表 SELECTFROMJOIN b ONkeyJOINONkey = b.key2)
--如果join中多个表的 join key 是同一个,则 join 会被转化为单个 map/reduce 任务 |
LEFT,RIGHT和FULL OUTER关键字
--左外连接 SELECTFROMLEFT OUTER JOINONkey=b.key) --右外链接 SELECTFROMRIGHT OUTER JOINONkey=b.key) --满外连接 SELECTFROMFULL OUTER JOINONkey=b.key) |
LEFT SEMI JOIN关键字
--LEFT SEMI JOIN 的限制是, JOIN 子句中右边的表只能在 ON 子句中设置过滤条件,在 WHERE 子句、SELECT 子句或其他地方过滤都不行 SELECTkey, a.value FROM a WHEREkey in SELECTkey FROM B); --可以被写为: SELECTkey, a.val FROMLEFTJOINonkeykey) |
UNION 与 UNION ALL
--用来合并多个select的查询结果,需要保证select中字段须一致 select_statement UNION ALLUNION ALL select_statement ... --UNION 和 UNION ALL的区别 --UNION只会查询到两个表中不同的数据,相同的部分不会被查出 --UNION ALL会把两个表的所有数据都查询出 |