Hive再次学习<一>

Hiway
1,140 阅读16分钟

其他更多java基础文章：
java基础学习(目录)

Hive基本概念

Hive 的优缺点

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。

缺点

  1. Hive 的 HQL 表达能力有限
    • 迭代式算法无法表达
    • 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
    • Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
    • Hive 调优比较困难，粒度较粗

Hive架构原理

image.png

用户接口： Client

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

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

Hadoop/Spark

使用 HDFS 进行存储，使用 MapReduce 进行计算。

驱动器： Driver

  • 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。
  • 编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
  • 优化器（Query Optimizer）：对逻辑执行计划进行优化。
  • 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。

image.png 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/Spark 中执行，最后，将执行返回的结果输出到用户交互接口。

Hive数据类型

基本数据类型

Hive 数据类型Java 数据类型长度例子
TINYINTbyte1byte 有符号整数20
SMALINTshort2byte 有符号整数20
INTint4byte 有符号整数20
BIGINTlong8byte 有符号整数20
BOOLEANboolean布尔类型， true 或者falseTRUE FALSE
FLOATfloat单精度浮点数3.14159
DOUBLEdouble双精度浮点数3.14159
STRINGstring字符系列。可以指定字符集。可以使用单引号或者双引号。‘now is the time ’ “for all ood men”
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。

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>
MAPMAP 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(或者java的对象)，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"
    }
}
  1. 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“_”。

  1. 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 '\n';

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 '\n'; -- 行分隔符

  1. 导入文本数据到测试表
load data local inpath '/opt/module/hive/datas/test.txt' into table test;
  1. 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 friends[1],children['xiao song'],address.city from test where name="songsong";
OK
_c0 _c1 city
lili 18 beijing
Time taken: 0.076 seconds, Fetched: 1 row(s)

DDL 数据定义

创建表

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]

字段解释说明

  • 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。
  • 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]  
| SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value,property_name=property_value, ...)]  

row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

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 ROWFORMAT 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。

示例

（1）普通创建表

create table if not exists student(
id int, name string
)
row format delimited fields terminated by '\t'
stored as textfile
location '/user/hive/warehouse/student';

（2）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 student2 as select id, name from student;

（3）根据已经存在的表结构创建表

create table if not exists student3 like student;

DML 数据操作

数据导入

向表中装载数据（Load）

语法
hive> 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
实操案例

（0） 创建一张表

hive (default)> create table student(id string, name string) row format delimited fields terminated by '\t';

（1） 加载本地文件到 hive

hive (default)> load data local inpath '/opt/module/hive/datas/student.txt' into table default.student;

（2） 加载 HDFS 文件到 hive 中
上传文件到 HDFS

hive (default)> dfs -put /opt/module/hive/data/student.txt /user/atguigu/hive;

加载 HDFS 上数据

hive (default)> load data inpath '/user/atguigu/hive/student.txt' into table default.student;

（3） 加载数据覆盖表中已有的数据

hive (default)> load data inpath '/user/atguigu/hive/student.txt'
overwrite into table default.student;

通过查询语句向表中插入数据（Insert）

基本插入数据
hive (default)> insert into table student_par values(1,'wangwu'),(2,'zhaoliu');
基本模式插入（根据单张表查询结果）
hive (default)> insert overwrite table student_par 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： 会覆盖表中已存在的数据
注意： insert 不支持插入部分字段

多表（多分区） 插入模式（根据多张表查询结果）
hive (default)> 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';

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 '\t'
location '/student;

数据导出

将查询的结果导出到本地

hive (default)> 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

hive(default)>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)

hive (default)> insert overwrite directory '/user/atguigu/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;

查询

基本查询

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]

注意：
（1） SQL 语言大小写不敏感。
（2） SQL 可以写在一行或者多行
（3）关键字不能被缩写也不能分行
（4）各子句一般要分行写。
（5）使用缩进提高语句的可读性。

Like 和 RLike

  • % 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

案例实操

（1）查找名字以 A 开头的员工信息

hive (default)> select * from emp where ename LIKE 'A%';

（2）查找名字中第二个字母为 A 的员工信息

hive (default)> select * from emp where ename LIKE '_A%';

（3）查找名字中带有 A 的员工信息

hive (default)> select * from emp where ename RLIKE '[A]';

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。

多表连接查询

hive (default)>SELECT e.ename, d.dname, l.loc_name
FROM emp e
JOIN dept d
ON d.deptno = e.deptno
JOIN location l
ON d.loc = l.loc;

大多数情况下， Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。本例中会首先启动一个 MapReduce job 对表 e 和表 d 进行连接操作，然后会再启动一个 MapReduce job 将第一个 MapReduce job 的输出和表 l;进行连接操作。

注意：为什么不是表 d 和表 l 先进行连接操作呢？这是因为 Hive 总是按照从左到右的顺序执行的。
优化： 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。

排序

全局排序（Order By）

Order By： 全局排序， 只有一个 Reducer

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。

  1. 设置 reduce 个数
hive (default)> set mapreduce.job.reduces=3;
  1. 查看设置 reduce 个数
hive (default)> set mapreduce.job.reduces;
  1. 根据部门编号降序查看员工信息
hive (default)> select * from emp sort by deptno desc;
  1. 将查询结果导入到文件中（按照部门编号降序排序）
hive (default)> insert overwrite local directory '/opt/module/data/sortby-result' 
select * from emp sort by deptno desc;

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。
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。

案例实操：

先按照部门编号分区，再按照员工编号降序排序。

hive (default)> set mapreduce.job.reduces=3;

hive (default)> insert overwrite local directory
'/opt/module/data/distribute-result' select * from emp distribute by
deptno sort by empno desc;

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。

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:
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;

分区表和分桶表

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。

分区表基本操作

创建分区表语法
hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by '\t';

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
hive (default)> load data local inpath
'/opt/module/hive/datas/dept_20200401.log' into table dept_partition
partition(day='20200401');
hive (default)> load data local inpath
'/opt/module/hive/datas/dept_20200402.log' into table dept_partition
partition(day='20200402');
hive (default)> load data local inpath
'/opt/module/hive/datas/dept_20200403.log' into table dept_partition
partition(day='20200403');
查询分区表中数据
单分区查询
hive (default)> select * from dept_partition where day='20200401';
多分区联合查询
hive (default)> select * from dept_partition where day='20200401'
union
select * from dept_partition where day='20200402'
union
select * from dept_partition where day='20200403';
hive (default)> select * from dept_partition where day='20200401' or day='20200402' or day='20200403';
增加分区
创建单个分区
hive (default)> alter table dept_partition add partition(day='20200404');
同时创建多个分区
hive (default)> alter table dept_partition add partition(day='20200405')
partition(day='20200406');
删除分区
删除单个分区
hive (default)> alter table dept_partition drop partition
(day='20200406');
同时删除多个分区
hive (default)> alter table dept_partition drop partition
(day='20200404'), partition(day='20200405');
查看分区表有多少分区
hive> show partitions dept_partition;

二级分区

创建二级分区表
hive (default)> create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by '\t';
正常的加载数据

（1）加载数据到二级分区表中

hive (default)> load data local inpath
'/opt/module/hive/datas/dept_20200401.log' into table
dept_partition2 partition(day='20200401', hour='12');

（2） 查询分区数据

hive (default)> select * from dept_partition2 where day='20200401' and
hour='12';

把数据直接上传到分区目录上， 让分区表和数据产生关联的三种方式

方式一：上传数据后修复

上传数据

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

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';

执行修复命令

hive> msck repair table dept_partition2;

再次查询数据

hive (default)> select * from dept_partition2 where day='20200401' and
hour='13';
方式二：上传数据后添加分区

上传数据

hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;

执行添加分区

hive (default)> alter table dept_partition2 add
partition(day='201709',hour='14');

查询数据

hive (default)> select * from dept_partition2 where day='20200401' and
hour='14';
方式三： 创建文件夹后 load 数据到分区

创建目录

hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;

上传数据

hive (default)> load data local inpath
'/opt/module/hive/datas/dept_20200401.log' into table
dept_partition2 partition(day='20200401',hour='15');

查询数据

hive (default)> select * from dept_partition2 where day='20200401' and
hour='15';

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)， 只不过，使用 Hive 的动态分区， 需要进行相应的配置。

开启动态分区参数设置

（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
案例实操

需求： 将 dept 表中的数据按照地区（loc 字段）， 插入到目标表 dept_partition 的相应分区中。 （1） 创建目标分区表

hive (default)> create table dept_partition_dy(id int, name string)
partitioned by (loc int) row format delimited fields terminated by '\t';

（2） 设置动态分区

set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> insert into table dept_partition_dy partition(loc) select
deptno, dname, loc from dept;

（3） 查看目标分区表的分区情况

hive (default)> show partitions dept_partition;

分桶表以及抽样查询

Hive中的数据分桶 以及 使用场景

avatar
文章
阅读
粉丝
相关推荐
Hive 动态分区异常org.apache.hadoop.hive.ql.metadata.HiveException
749阅读
 · 
0点赞
ByConity 技术详解之 Hive 外表和数据湖
11k阅读
 · 
3点赞
Hive 迁移 Iceberg 实践
1.0k阅读
 · 
4点赞
Hive安装与启动
1.2k阅读
 · 
1点赞
Hive 和 Spark 分区策略剖析
2.3k阅读
 · 
8点赞