hive操作语句

 

设置属性：

//设置本地执行作
set hive.exec.mode.local.auto=true;

//设置动态分区

set hive.exec.dynamic.partition=true;

set hive.exec.dynamic.partition.mode=nostrict;

//设置reduce task数量
set mapred.reduce.tasks=2;

//对mapjoin优化设置
set hive.auto.convert.join=true;

创建表：

//创建内部表
create table 表名(
字段1 类型,
字段2 类型,
... ...)
row format delimited
fields terminated by'\t';

//创建外部表
create external 表名(
字段1 类型,
字段2 类型,
... ...)
row format delimited
fields terminated by','                            
location '/external';

在导入数据的过程中，如果在建表的过程中没有指定location，那么就会在hive-site.xml配置的hive.metastore.warehouse.dir指定的路径下，

以表名创建一个文件夹，之后所有有关该表的数据都会存储到此文件夹中。

//创建分区表
create table 表名(
字段1 类型,
字段2 类型,
... ...)
partitioned by(分区的字段名 类型)
row format delimited
fields terminated by'\t';

//创建带桶的表
//Hive使用对值进行哈希并将结果除 以桶的个数取余数。
//要通过insert into/overwrite导入数据 ，跑了MapReduce ,hdfs才有分桶，通过load导入没有
create table 表名(
字段1 类型,
字段2 类型,
... ...)
clustered by(分桶的字段名) into 2 buckets
row format delimited
fields terminated by',';

//创建分区分桶的表
create table 表名(
字段1 类型,
字段2 类型,
... ...)
partitioned by(分区的字段名 类型)
clustered by(分桶的字段名) into 2 buckets
row format delimited
fields terminated by'\t';

修改表：

//增加分区

alter table 表名 add partition(分区字段名='新分区的值');

注意，新建的分区是没有数据的，我们可以往里面存储数据

//删除分区

alter table 表名 drop if exists partiton(分区字段名='分区的值');

//重命名表

alter table 原表名 rename to 新表名;

//增加一列或多列

alter table 表名 add columns(新字段1 类型,新字段2 类型,...)

//删除列replace   官网没有提供alter table drop的语句，该语句只对partiton去除有效

//假设表person有字段 id,name,age,address,phone  删掉address和phone

alter table person replace columns(id int,name String,age int);

//替换列(修改列名)replace
alter table t_modify replace columns(id int,name String,age2 int);

//修改列名和类型
alter table 表名 change 字段名 新字段名 原字段类型;
alter table aa change time1 time String;

修改字段类型只能从int修改为float或double,float修改为double。反过来则不行

 

//清空表数据，保留表结构
truncate table 表名;
//拷贝表结构
create table 表2 like 表1;

//存储表数据
create table 表2 as select * from 表1;

//分组查询
select collect_set(name),collect_set(age) from t_data group by time;
select collect_set(name),count(*) from t_data group by time;

注意：collect_set会去重，collect_list不会去重

显示命令：

//显示某数据库下的所有表

show tables;

//显示所有数据库

show databases;

//显示表的所有分区

show partitions 表名;

加载数据：

//加载绝对路径数据
load data local inpath '/home/dummy/data.log' into table t_partition partition(ds='20171113');
//加载相对路径数据
load data local inpath 'data.log' into table t_partition;

//加载HDFS数据（不加local即可）
load data inpath 'data.log' into table t_partition;

//插入数据1
insert into table t_partition partition(ds='20171113')
select * from t_data where t_data.time='20171113';
//插入数据2
insert into table 表名 (字段a,字段b,...) values(字段值1,段值2,...);
insert into table 表名 values(字段值1,段值2,...);

//多插入数据
from t_data
insert into t_partition partition(ds='20171113')
select * where time='20171113'
insert into t_partition partition(ds='20171114')
select * where time='20171114';

//动态分区插入数据，先设置动态分区，见开头
insert into table t_part_access_log partition(month)
select u.valid,u.ip,u.name,u.day,u.times,u.month from
(select valid,ip,name,
split(time,'/')[0] day,
split(time,'/')[1] month,
split(time,'/')[2] times
from t_access_log)u;

导出数据：

//导出表数据到本地
insert overwrite local directory '/home/dummy/data_out.log'
select * from t_access_log where valid!='false';
或者
from t_access_log
insert overwrite local directory '/home/dummy/data_out.log'
select * where valid!='false';

//导出表数据到HDFS
insert overwrite directory '/data_out.log'
select * from t_access_log where valid!='false';

Hive join操作：

 

准备的数据源，表t_a

 

1	a
2	b
3	c
4	d

 

准备数据源，表t_b

 

1	aa
2	bb
3	cc
4	dd
5	ee
6	ff

 

内连接：内连接，也被称为自然连接，只有两个表相匹配的行才能在结果集中出现。返回的结果集选取了两个表中所有相匹配的数据，

舍弃了不匹配的数据。由于内连接是从结果表中删除与其他连接表中没有匹配的所有行，所以内连接可能会造成信息的丢失

 

select a.*,b.* from t_a a join t_b b on a.id=b.id;

结果：

1       a       1       aa

2       b       2       bb

3       c       3       cc

4       d       4       dd

外连接：外连接不仅包含符合连接条件的行，还包含左表(左连接时)、右表(右连接时)或两个边接表(全外连接)中的所有数据行。

left outer：

select a.*,b.* from t_a a left  join t_b b on a.id=b.id;或者

select a.*,b.* from t_a a left outer join t_b b on a.id=b.id;

结果：

1       a       1       aa

2       b       2       bb

3       c       3       cc

4       d       4       dd

right outer：

select a.*,b.* from t_a a right outer join t_b b on a.id=b.id;

结果：

1       a       1       aa

2       b       2       bb

3       c       3       cc

4       d       4       dd

NULL    NULL    5       ee

NULL    NULL    6       ff

full outer:

select a.*,b.* from t_a a full outer join t_b b on a.id=b.id;

结果：

1       a       1       aa

2       b       2       bb

3       c       3       cc

4       d       4       dd

NULL    NULL    5       ee

NULL    NULL    6       ff

left semi:

select a.* from t_a a left semi join t_b b on a.id=b.id;

结果：

1       a

2       b

3       c

4       d

写 join 查询时，需要注意几个关键点：

1. 等值join

SELECT a.* FROM a JOIN b ON (a.id>b.id) 是错误的！

但是你给出具体的值是可以的，笛卡尔积操作

hive> select a.*,b.* from t_a a join t_b b on a.id>3;

等效于

select a.*,b.* from t_a a ,t_b b where a.id>3;

结果：

4       d       1       aa

4       d       2       bb

4       d       3       cc

4       d       4       dd

4       d       5       ee

4       d       6       ff

不等值查询，

select a.*,b.* from t_a a ,t_b b where a.id>b.id;

结果：

2       b       1       aa

3       c       1       aa

4       d       1       aa

3       c       2       bb

4       d       2       bb

4       d       3       cc

2. 可以 join 多于 2 个表。

例如

如果join中多个表的 join key 不是同一个，则 join 会被转化为2个 map/reduce 任务，

  SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = 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，

SELECT a.val, b.val, c.val FROM a JOIN b  ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

3．join 时，每次 map/reduce 任务的逻辑：（小表join大表）

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。

这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。

例如：

 SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

所有表都使用同一个 join key（使用 1 次 map/reduce 任务计算）。Reduce 端会缓存 a 表和 b 表的记录，然后每次取得一个 c 表的记录就计算一次 join 结果，类似的还有：

  SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。

这里必须设置join优化

 set hive.auto.convert.join=true;

4．LEFT，RIGHT 和 FULL OUTER 关键字用于处理 join 中空记录的情况

例如：

  SELECT a.val, b.val FROM

a LEFT OUTER  JOIN b ON (a.key=b.key)

对应所有 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val，当 a.key=b.key 时，而当 b.key 中找不到等值的 a.key 记录时也会输出:

a.val, NULL

所以 a 表中的所有记录都被保留了；

“a RIGHT OUTER JOIN b”会保留所有 b 表的记录。

 

Join 发生在 WHERE 子句之前。如果你想限制 join 的输出，应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。这里面一个容易混淆的问题是表分区的情况：

  SELECT a.val, b.val FROM a

  LEFT OUTER JOIN b ON (a.key=b.key)

  WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

会 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的记录。WHERE 从句中可以使用其他列作为过滤条件。但是，如前所述，如果 b 表中找不到对应 a 表的记录，b 表的所有列都会列出 NULL，包括 ds 列。也就是说，join 会过滤 b 表中不能找到匹配 a 表 join key 的所有记录。这样的话，LEFT OUTER 就使得查询结果与 WHERE 子句无关了。解决的办法是在 OUTER JOIN 时使用以下语法：

  SELECT a.val, b.val FROM a LEFT OUTER JOIN b

  ON (a.key=b.key AND

      b.ds='2009-07-07' AND

      a.ds='2009-07-07')

这一查询的结果是预先在 join 阶段过滤过的，所以不会存在上述问题。这一逻辑也可以应用于 RIGHT 和 FULL 类型的 join 中。

 

Join 是不能交换位置的。无论是 LEFT 还是 RIGHT join，都是左连接的。

  SELECT a.val1, a.val2, b.val, c.val

  FROM a

  JOIN b ON (a.key = b.key)

  LEFT OUTER JOIN c ON (a.key = c.key)

先 join a 表到 b 表，丢弃掉所有 join key 中不匹配的记录，然后用这一中间结果和 c 表做 join。这一表述有一个不太明显的问题，就是当一个 key 在 a 表和 c 表都存在，但是 b 表中不存在的时候：整个记录在第一次 join，即 a JOIN b 的时候都被丢掉了（包括a.val1，a.val2和a.key），然后我们再和 c 表 join 的时候，如果 c.key 与 a.key 或 b.key 相等，就会得到这样的结果：NULL, NULL, NULL, c.val