hive学习笔记
一、hive入门
1.1 什么是hive
Hive:由Facebook开源用于解决海量结构化日志的数据统计。
Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张表,并提供类SQL查询功能
hive就像是Hadoop的客户端,自己只做(翻译官)
本质是:将HQL转化成MapReduce程序
- Hive处理的数据存储在HDFS
- Hive分析数据底层的实现是MapReduce
- 执行程序运行在Yarn上
1.2 hive架构原理
- 用户接口:Client
CLI(hive shell)、JDBC/ODBC(java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
使用HDFS进行存储,使用MapReduce进行计算。 - 驱动器:Driver
(1)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。
(2)编译器(Physical Plan):
将AST编译生成逻辑执行计划。
(3)优化器(Query Optimizer):
对逻辑执行计划进行优化。
(4)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。
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中执行,最后,将执行返回的结果输出到用户交互接口。
二、hive安装部署
2.1 hive安装
2.1.1 hive依赖的环境
- 把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下
- 解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下面
[tldq@centos1 software]$ tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/
- 修改apache-hive-1.2.1-bin.tar.gz的名称为hive
[tldq@centos1 module]$ mv apache-hive-1.2.1-bin/ hive
- 修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh
[tldq@centos1 conf]$ mv hive-env.sh.template hive-env.sh
- 配置hive-env.sh文件
(a)配置HADOOP_HOME路径
(b)配置HIVE_CONF_DIR路径export HADOOP_HOME=/opt/module/hadoop
export HIVE_CONF_DIR=/opt/module/hive/conf
2.1.2 Hadoop集群配置
- 必须启动hdfs和yarn
[tldq@centos1 hadoop]$ sbin/start-dfs.sh
[tldq@centos2 hadoop]$ sbin/start-yarn.sh
- 在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写
[tldq@centos1 hadoop]$ bin/hadoop fs -mkdir /tmp
[tldq@centos1 hadoop]$ bin/hadoop fs -mkdir -p /user/hive/warehouse
[tldq@centos1 hadoop]$ bin/hadoop fs -chmod g+w /tmp
[tldq@centos1 hadoop]$ bin/hadoop fs -chmod g+w /user/hive/warehouse
2.1.3 Hive基本操作
(1)启动hive
[tldq@centos1 hive]$ bin/hive
(2)查看数据库
hive> show databases;
(3)打开默认数据库
hive> use default;
(4)显示default数据库中的表
hive> show tables;
(5)创建一张表
hive> create table student(id int, name string);
(6)显示数据库中有几张表
hive> show tables;
(7)查看表的结构
hive> desc student;
(8)向表中插入数据
hive> insert into student values(1000,"ss");
(9)查询表中数据
hive> select * from student;
(10)退出hive
hive> quit;
2.2 安装MySql
2.2.1 安装包准备
- 查看mysql是否安装,如果安装了,卸载mysql(如果没有,就不用卸载)
(1)查看
(2)卸载[root@centos1 桌面]# rpm -qa|grep mysql mysql-libs-5.1.73-7.el6.x86_64
[root@centos1 桌面]# rpm -e --nodeps mysql-libs-5.1.73-7.el6.x86_64
- 解压mysql-libs.zip文件到当前目录
[root@centos1 software]# unzip mysql-libs.zip [root@centos1 software]# ls mysql-libs.zip mysql-libs
- 进入到mysql-libs文件夹下
[root@centos1 mysql-libs]# ll 总用量 76048 -rw-r--r--. 1 root root 18509960 3月 26 2015 MySQL-client-5.6.24-1.el6.x86_64.rpm -rw-r--r--. 1 root root 3575135 12月 1 2013 mysql-connector-java-5.1.27.tar.gz -rw-r--r--. 1 root root 55782196 3月 26 2015 MySQL-server-5.6.24-1.el6.x86_64.rpm
2.2.2 安装MySql服务器
- 安装mysql服务端
[root@centos1 mysql-libs]# rpm -ivh MySQL-server-5.6.24-1.el6.x86_64.rpm
- 查看产生的随机密码
[root@centos1 mysql-libs]# cat /root/.mysql_secret OEXaQuS8IWkG19Xs
- 查看mysql状态
[root@centos1 mysql-libs]# service mysql status
- 启动mysql
[root@centos1 mysql-libs]# service mysql start
2.2.3 安装MySql客户端
- 安装mysql客户端
[root@centos1 mysql-libs]# rpm -ivh MySQL-client-5.6.24-1.el6.x86_64.rpm
- 链接mysql
[root@centos1 mysql-libs]# mysql -uroot -pOEXaQuS8IWkG19Xs
- 修改密码
mysql>SET PASSWORD=PASSWORD('000000');
- 退出mysql
mysql>exit
2.2.4 MySql中user表中主机配置
配置只要是root用户+密码,在任何主机上都能登录MySQL数据库。
- 进入mysql
[root@hadoop102 mysql-libs]# mysql -uroot -p000000
- 显示数据库
mysql>show databases;
- 使用mysql数据库
mysql>use mysql;
- 展示mysql数据库中的所有表
mysql>show tables;
- 展示user表的结构
mysql>desc user;
- 查询user表
mysql>select User, Host, Password from user;
- 修改user表,把Host表内容修改为%
mysql>update user set host='%' where host='localhost';
- 删除root用户的其他host
mysql>delete from user where Host='hadoop102'; mysql>delete from user where Host='127.0.0.1'; mysql>delete from user where Host='::1';
- 刷新
mysql>flush privileges;
- 退出
mysql>quit;
2.3 hive元数据配置到MySql
2.3.1 驱动拷贝
- 在/opt/software/mysql-libs目录下解压mysql-connector-java-5.1.27.tar.gz驱动包
[root@centos1 mysql-libs]# tar -zxvf mysql-connector-java-5.1.27.tar.gz
- 拷贝/opt/software/mysql-libs/mysql-connector-java-5.1.27目录下的mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/
[root@centos1 mysql-connector-java-5.1.27]# cp mysql-connector-java-5.1.27-bin.jar /opt/module/hive/lib/
2.3.2 配置Metastore到MySql
- 在/opt/module/hive/conf目录下创建一个hive-site.xml
[tldq@centos1 conf]$ touch hive-site.xml [tldq@centos1 conf]$ vi hive-site.xml
- 根据官方文档配置参数,拷贝数据到hive-site.xml文件中
https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://centos1:3306/metastore?createDatabaseIfNotExist=true</value> <description>JDBC connect string for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> <description>username to use against metastore database</description> </property> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>000000</value> <description>password to use against metastore database</description> </property> </configuration>
- 配置完毕后,如果启动hive异常,可以重新启动虚拟机。(重启后,别忘了启动hadoop集群)
2.3.3 多窗口启动Hive测试
- 先启动MySQL
查看有几个数据库[tldq@centos1 mysql-libs]$ mysql -uroot -p000000
mysql> show databases; +--------------------+ | Database | +--------------------+ | information_schema | | mysql | | performance_schema | | test | +--------------------+
- 再次打开多个窗口,分别启动hive
[atguigu@hadoop102 hive]$ bin/hive
- 启动hive后,回到MySQL窗口查看数据库,显示增加了metastore数据库
mysql> show databases; +--------------------+ | Database | +--------------------+ | information_schema | | metastore | | mysql | | performance_schema | | test | +--------------------+
2.4 hive常用交互命令
[tldq@centos1 hive]$ bin/hive -help
usage: hive
-d,--define <key=value> Variable subsitution to apply to hive
commands. e.g. -d A=B or --define A=B
--database <databasename> Specify the database to use
-e <quoted-query-string> SQL from command line
-f <filename> SQL from files
-H,--help Print help information
--hiveconf <property=value> Use value for given property
--hivevar <key=value> Variable subsitution to apply to hive
commands. e.g. --hivevar A=B
-i <filename> Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the console)
- “-e”不进入hive的交互窗口执行sql语句
[atguigu@hadoop102 hive]$ bin/hive -e "select id from student;"
- “-f”执行脚本中sql语句
(1)在/opt/module/datas目录下创建hivef.sql文件
文件中写入正确的sql语句[tldq@centos1 datas]$ touch hivef.sql
(2)执行文件中的sql语句select *from student;
(3)执行文件中的sql语句并将结果写入文件中[tldq@centos1 hive]$ bin/hive -f /opt/module/datas/hivef.sql
[tldq@centos1 hive]$ bin/hive -f /opt/module/datas/hivef.sql > /opt/module/datas/hive_result.txt
2.5 Hive常见属性配置
2.5.1 Hive数据仓库位置配置
- Default数据仓库的最原始位置是在hdfs上的:/user/hive/warehouse路径下。
- 在仓库目录下,没有对默认的数据库default创建文件夹。如果某张表属于default数据库,直接在数据仓库目录下创建一个文件夹。
- 修改default数据仓库原始位置(将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中)。
配置同组用户有执行权限<property> <name>hive.metastore.warehouse.dir</name> <value>/user/hive/warehouse</value> <description>location of default database for the warehouse</description> </property>
bin/hdfs dfs -chmod g+w /user/hive/warehouse
2.5.2 查询后信息显示配置(就是模仿mysql添加描述字段信息、当前命名空间信息)
- 在hive-site.xml文件中添加如下配置信息,就可以实现显示当前数据库,以及查询表的头信息配置。
<property> <name>hive.cli.print.header</name> <value>true</value> </property> <property> <name>hive.cli.print.current.db</name> <value>true</value> </property>
2.5.3 Hive运行日志信息配置
- Hive的log默认存放在/tmp/atguigu/hive.log目录下(当前用户名下)
- 修改hive的log存放日志到/opt/module/hive/logs
(1)修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为hive-log4j.properties
(2)在hive-log4j.properties文件中修改log存放位置[atguigu@hadoop102 conf]$ pwd /opt/module/hive/conf [atguigu@hadoop102 conf]$ mv hive-log4j.properties.template hive-log4j.properties
hive.log.dir=/opt/module/hive/logs
2.5.4 参数配置方式
- 查看当前所有的配置信息
hive>set; - 参数的配置三种方式
(1)配置文件方式
默认配置文件:hive-default.xml
用户自定义配置文件:hive-site.xml
注意:用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,因为Hive是作为Hadoop的客户端启动的,Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
(2)命令行参数方式
启动Hive时,可以在命令行添加-hiveconf param=value来设定参数。
例如:
注意:仅对本次hive启动有效[tldq@centos2 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10;
查看参数设置:
(3)参数声明方式hive (default)> set mapred.reduce.tasks;
可以在HQL中使用SET关键字设定参数
例如:
注意:仅对本次hive启动有效。hive (default)> set mapred.reduce.tasks=100;
查看参数设置
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数,例如log4j相关的设定,必须用前两种方式设定,因为那些参数的读取在会话建立以前已经完成了。hive (default)> set mapred.reduce.tasks;
三、hive数据类型
3.1 基本数据类型
Hive数据类型 | Java数据类型 | 长度 | 例子 |
---|---|---|---|
TINYINT | byte | 1byte有符号整数 | 20 |
SMALINT | short | 2byte有符号整数 | 20 |
INT | int | 4byte有符号整数 | 20 |
BIGINT | long | 8byte有符号整数 | 20 |
BOOLEAN | boolean | 布尔类型,true或者false | TRUE FALSE |
FLOAT | float | 单精度浮点数 | 3.14159 |
DOUBLE | double | 双精度浮点数 | 3.14159 |
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。 | ‘now is the time’ “for all good 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。
3.2 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() |
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() |
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() |
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。
案例实操
- 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" } }
- 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
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“_”。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
- Hive上创建测试表test
字段解释: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';
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 - 导入文本数据到测试表
hive (default)> load data local inpath ‘/opt/module/datas/test.txt’into table test
- 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)
3.3类型转换
四、DDL数据定义
4.1 创建数据库
- 创建一个数据库,数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。
hive (default)> create database db_hive;
- 避免要创建的数据库已经存在错误,增加if not exists判断。(标准写法)
hive (default)> create database db_hive; FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists hive (default)> create database if not exists db_hive;
- 创建一个数据库,指定数据库在HDFS上存放的位置
hive (default)> create database db_hive2 location '/db_hive2.db';
4.2 查询数据
4.2.1 显示数据库
- 显示数据库
hive> show databases;
- 过滤显示查询的数据库
hive> show databases like 'db_hive*'; OK db_hive db_hive_1
4.2.2 查看数据库详情
- 显示数据库信息
hive> desc database db_hive; OK db_hive hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db atguiguUSER
- 显示数据库详细信息,extended
hive> desc database extended db_hive; OK db_hive hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db atguiguUSER
4.2.4 切换当前数据库
hive (default)> use db_hive;
4.3.3 切换当前数据库
hive (default)> use db_hive;
4.3 修改数据库
用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值,来描述这个数据库的属性信息。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');
在hive中查看修改结果
hive> desc database extended db_hive;
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db atguigu USER {createtime=20170830}
4.4 删除数据库
- 删除空数据库
hive>drop database db_hive2;
- 如果删除的数据库不存在,最好采用 if exists判断数据库是否存在
hive> drop database db_hive; FAILED: SemanticException [Error 10072]: Database does not exist: db_hive hive> drop database if exists db_hive2;
- 如果数据库不为空,可以采用cascade命令,强制删除
hive> drop database db_hive; FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. InvalidOperationException(message:Database db_hive is not empty. One or more tables exist.) hive> drop database db_hive cascade;
4.5 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]
- 字段解释说明
(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: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),Hive创建内部表时,会将数据移动到数据仓库指向的路径;若创建外部表,仅记录数据所在的路径,不对数据的位置做任何改变。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
(7)ROW FORMAT
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ROW FORMAT 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。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, ...)]
SerDe是Serialize/Deserilize的简称,目的是用于序列化和反序列化。
(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)LIKE:允许用户复制现有的表结构,但是不复制数据。
4.5.1 管理表
1.理论
默认创建的表都是所谓的管理表,有时也被称为内部表。因为这种表,Hive会(或多或少地)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(例如,/user/hive/warehouse)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。
2.案例实操
(1)普通创建表
create table if not exists student2( id int, name string ) row format delimited fields terminated by '\t' stored as textfile location '/user/hive/warehouse/student2';
(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 student3 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 student4 like student;
(4)查询表的类型
hive (default)> desc formatted student2; Table Type: MANAGED_TABLE
4.5.2 外部表
- 理论
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。 - 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。 - 案例实操
分别创建部门和员工外部表,并向表中导入数据。
(1)原始数据
dept.txt:
emp.txt:10 ACCOUNTING 1700 20 RESEARCH 1800 30 SALES 1900 40 OPERATIONS 1700
(2)建表语句7369 SMITH CLERK 7902 1980-12-17 800.00 20 7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30 7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 30 7566 JONES MANAGER 7839 1981-4-2 2975.00 20 7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30 7698 BLAKE MANAGER 7839 1981-5-1 2850.00 30 7782 CLARK MANAGER 7839 1981-6-9 2450.00 10 7788 SCOTT ANALYST 7566 1987-4-19 3000.00 20 7839 KING PRESIDENT 1981-11-17 5000.00 10 7844 TURNER SALESMAN 7698 1981-9-8 1500.00 0.00 30 7876 ADAMS CLERK 7788 1987-5-23 1100.00 20 7900 JAMES CLERK 7698 1981-12-3 950.00 30 7902 FORD ANALYST 7566 1981-12-3 3000.00 20 7934 MILLER CLERK 7782 1982-1-23 1300.00 10
创建部门表
(3)查看创建的表create external table if not exists default.dept( deptno int, dname string, loc int ) row format delimited fields terminated by '\t'; 创建员工表 create external table if not exists default.emp( empno int, ename string, job string, mgr int, hiredate string, sal double, comm double, deptno int) row format delimited fields terminated by '\t';
(4)向外部表中导入数据hive (default)> show tables; OK tab_name dept emp
导入数据(local不加,表示从hdfs中导入数据)
查询结果hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept; hive (default)> load data local inpath '/opt/module/datas/emp.txt' into table default.emp;
(5)查看表格式化数据hive (default)> select * from emp; hive (default)> select * from dept;
hive (default)> desc formatted dept; Table Type: EXTERNAL_TABLE
4.5.3 管理表与外部表的互相转换
- 查询表的类型
hive (default)> desc formatted student2; Table Type: MANAGED_TABLE
- 修改内部表student2为外部表
alter table student2 set tblproperties('EXTERNAL'='TRUE');
- 查询表的类型
hive (default)> desc formatted student2; Table Type: EXTERNAL_TABLE
- 修改外部表student2为内部表
alter table student2 set tblproperties('EXTERNAL'='FALSE');
- 查询表的类型
注意:('EXTERNAL'='TRUE')和('EXTERNAL'='FALSE')为固定写法,区分大小写!hive (default)> desc formatted student2; Table Type: MANAGED_TABLE
4.6 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。
4.6.1 分区表基本操作
- 引入分区表(需要根据日期对日志进行管理)
/user/hive/warehouse/log_partition/20170702/20170702.log /user/hive/warehouse/log_partition/20170703/20170703.log /user/hive/warehouse/log_partition/20170704/20170704.log
- 创建分区表语法
hive (default)> create table dept_partition( deptno int, dname string, loc string ) partitioned by (month string) row format delimited fields terminated by '\t';
- 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'); hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201708'); hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201707’);
图6-5 加载数据到分区表
图6-6 分区表
- 查询分区表中数据
单分区查询
多分区联合查询hive (default)> select * from dept_partition where month='201709';
hive (default)> select * from dept_partition where month='201709' union select * from dept_partition where month='201708' union select * from dept_partition where month='201707'; _u3.deptno _u3.dname _u3.loc _u3.month 10 ACCOUNTING NEW YORK 201707 10 ACCOUNTING NEW YORK 201708 10 ACCOUNTING NEW YORK 201709 20 RESEARCH DALLAS 201707 20 RESEARCH DALLAS 201708 20 RESEARCH DALLAS 201709 30 SALES CHICAGO 201707 30 SALES CHICAGO 201708 30 SALES CHICAGO 201709 40 OPERATIONS BOSTON 201707 40 OPERATIONS BOSTON 201708 40 OPERATIONS BOSTON 201709
- 增加分区
创建单个分区
同时创建多个分区(分区之间用空格隔开)hive (default)> alter table dept_partition add partition(month='201706') ;
hive (default)> alter table dept_partition add partition(month='201705') partition(month='201704');
- 删除分区
删除单个分区
同时删除多个分区(分区之间用逗号隔开)hive (default)> alter table dept_partition drop partition (month='201704');
hive (default)> alter table dept_partition drop partition (month='201705'), partition (month='201706');
- 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
4.6.2 分区表注意事项
- 创建二级分区表
hive (default)> create table dept_partition2( deptno int, dname string, loc string ) partitioned by (month string, day 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
(2)查询分区数据hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition2 partition(month='201709', day='13');
hive (default)> select * from dept_partition2 where month='201709' and day='13';
- 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
(1)方式一:上传数据后修复
上传数据
查询数据(查询不到刚上传的数据)hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=12; hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201709/day=12;
执行修复命令hive (default)> select * from dept_partition2 where month='201709' and day='12';
再次查询数据hive> msck repair table dept_partition2;
(2)方式二:上传数据后添加分区hive (default)> select * from dept_partition2 where month='201709' and day='12';
上传数据
执行添加分区hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=11; hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201709/day=11;
查询数据hive (default)> alter table dept_partition2 add partition(month='201709', day='11');
(3)方式三:创建文件夹后load数据到分区hive (default)> select * from dept_partition2 where month='201709' and day='11';
创建目录
上传数据hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=10;
查询数据hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201709',day='10');
hive (default)> select * from dept_partition2 where month='201709' and day='10';
4.7 修改表
4.7.1 重命名表
- 语法
ALTER TABLE table_name RENAME TO new_table_name
- 实操案例
hive (default)> alter table dept_partition2 rename to dept_partition3;
4.7.2 增加、修改和删除表分区
4.7.3 增加/修改/替换列信息
- 语法
更新列
增加和替换列ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
注:ADD是代表新增一字段,字段位置在所有列后面(partition列前),REPLACE则是表示替换表中所有字段。ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
- 实操案例
(1)查询表结构
(2)添加列hive> desc dept_partition;
(3)查询表结构hive (default)> alter table dept_partition add columns(deptdesc string);
(4)更新列hive> desc dept_partition;
(5)查询表结构hive (default)> alter table dept_partition change column deptdesc desc int;
(6)替换列hive> desc dept_partition;
(7)查询表结构hive (default)> alter table dept_partition replace columns(deptno string, dname string, loc string);
hive> desc dept_partition;
4.8 删除表
hive (default)> drop table dept_partition;
五、DML数据操作
5.1 数据导入
5.1.1 向表中装载数据(Load)
- 语法(用overwrite的时候必须加into)
(1)load data:表示加载数据hive> load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partition (partcol1=val1,…)];
(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 - 实操案例
(1)创建一张表
(2)加载本地文件到hivehive (default)> create table student(id string, name string) row format delimited fields terminated by '\t';
(3)加载HDFS文件到hive中hive (default)> load data local inpath '/opt/module/datas/student.txt' into table default.student;
上传文件到HDFS
加载HDFS上数据hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
(4)加载数据覆盖表中已有的数据hive (default)> load data inpath '/user/atguigu/hive/student.txt' into table default.student;
上传文件到HDFS
加载数据覆盖表中已有的数据hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
hive (default)> load data inpath '/user/atguigu/hive/student.txt' overwrite into table default.student;
5.1.2 通过查询语句向表中插入数据(Insert)
- 创建一张分区表
hive (default)> create table student(id int, name string) partitioned by (month string) row format delimited fields terminated by '\t';
- 基本插入数据
hive (default)> insert into table student partition(month='201709') values(1,'wangwu');
- 基本模式插入(根据单张表查询结果)
hive (default)> insert overwrite table student partition(month='201708') select id, name from student where month='201709';
- 多插入模式(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';
5.1.3 查询语句中创建表并加载数据(As Select)
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 student3
as select id, name from student;
5.1.4 创建表时通过Location指定加载数据路径
- 创建表,并指定在hdfs上的位置
hive (default)> create table if not exists student5( id int, name string ) row format delimited fields terminated by '\t' location '/user/hive/warehouse/student5';
- 上传数据到hdfs上
hive (default)> dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5;
- 查询数据
hive (default)> select * from student5;
5.1.5 Import数据到指定Hive表中
注意:先用export导出后,再将数据导入。
hive (default)> import table student2 partition(month='201709') from
'/user/hive/warehouse/export/student';
5.2 数据导出
5.2.1 Insert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 '\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;
5.2.2 Hadoop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;
5.2.3 Hive Shell 命令导出
基本语法:(hive -f/-e 执行语句或者脚本 > file)
[atguigu@hadoop102 hive]$ bin/hive -e 'select * from default.student;' >
/opt/module/datas/export/student4.txt;
5.2.4 Export导出到HDFS上
(defahiveult)> export table default.student to
'/user/hive/warehouse/export/student';
5.2.5 Sqoop导出
5.3 清除表中数据(Truncate)
注意:Truncate只能删除管理表,不能删除外部表中数据
hive (default)> truncate table student;
查询
6.1 基本查询(Select…From)
6.1.1 全表和特定列查询
- 全表查询
hive (default)> select * from emp;
- 选择特定列查询
注意:hive (default)> select empno, ename from emp;
(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。
6.1.2 列别名
- 重命名一个列
- 便于计算
- 紧跟列名,也可以在列名和别名之间加入关键字‘AS’
- 案例实操
查询名称和部门hive (default)> select ename AS name, deptno dn from emp;
6.1.3 算术运算符
运算符 | 描述 | |
---|---|---|
A+B | A和B 相加 | |
A-B | A减去B | |
A*B | A和B 相乘 | |
A/B | A除以B | |
A%B | A对B取余 | |
A&B | A和B按位取与 | |
A | B | A和B按位取或 |
A^B | A和B按位取异或 | |
~A | A按位取反 |
案例实操
查询出所有员工的薪水后加1显示。
hive (default)> select sal +1 from emp;
6.1.4 常用函数
- 求总行数(count)
hive (default)> select count(*) cnt from emp;
- 求工资的最大值(max)
hive (default)> select max(sal) max_sal from emp;
- 求工资的最小值(min)
hive (default)> select min(sal) min_sal from emp;
- 求工资的总和(sum)
hive (default)> select sum(sal) sum_sal from emp;
- 求工资的平均值(avg)
hive (default)> select avg(sal) avg_sal from emp;
6.1.5 Limit语句
典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。
hive (default)> select * from emp limit 5;
6.2 Where语句
- 使用WHERE子句,将不满足条件的行过滤掉
- WHERE子句紧随FROM子句
- 案例实操
查询出薪水大于1000的所有员工hive (default)> select * from emp where sal >1000;
6.2.1 比较运算符(Between/In/ Is Null)
- 下面表中描述了谓词操作符,这些操作符同样可以用于JOIN…ON和HAVING语句中。
操作符 支持的数据类型 描述 A=B 基本数据类型 如果A等于B则返回TRUE,反之返回FALSE A<=>B 基本数据类型 如果A和B都为NULL,则返回TRUE,其他的和等号(=)操作符的结果一致,如果任一为NULL则结果为NULL A<>B, A!=B 基本数据类型 A或者B为NULL则返回NULL;如果A不等于B,则返回TRUE,反之返回FALSE A<B 基本数据类型 A或者B为NULL,则返回NULL;如果A小于B,则返回TRUE,反之返回FALSE A<=B 基本数据类型 A或者B为NULL,则返回NULL;如果A小于等于B,则返回TRUE,反之返回FALSE A>B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于B,则返回TRUE,反之返回FALSE A>=B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于等于B,则返回TRUE,反之返回FALSE A [NOT] BETWEEN B AND C 基本数据类型 如果A,B或者C任一为NULL,则结果为NULL。如果A的值大于等于B而且小于或等于C,则结果为TRUE,反之为FALSE。如果使用NOT关键字则可达到相反的效果。 A IS NULL 所有数据类型 如果A等于NULL,则返回TRUE,反之返回FALSE A IS NOT NULL 所有数据类型 如果A不等于NULL,则返回TRUE,反之返回FALSE IN(数值1, 数值2) 所有数据类型 使用 IN运算显示列表中的值 A [NOT] LIKE B STRING 类型 B是一个SQL下的简单正则表达式,如果A与其匹配的话,则返回TRUE;反之返回FALSE。B的表达式说明如下:‘x%’表示A必须以字母‘x’开头,‘%x’表示A必须以字母’x’结尾,而‘%x%’表示A包含有字母’x’,可以位于开头,结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。 A RLIKE B, A REGEXP B STRING 类型 B是一个正则表达式,如果A与其匹配,则返回TRUE;反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的,因为正则也依据其中的规则。例如,正则表达式必须和整个字符串A相匹配,而不是只需与其字符串匹配。 - 案例实操
(1)查询出薪水等于5000的所有员工
(2)查询工资在500到1000的员工信息hive (default)> select * from emp where sal =5000;
(3)查询comm为空的所有员工信息hive (default)> select * from emp where sal between 500 and 1000;
(4)查询工资是1500或5000的员工信息hive (default)> select * from emp where comm is null;
hive (default)> select * from emp where sal IN (1500, 5000);
6.2.2 Like和RLike
- 使用LIKE运算选择类似的值
- 选择条件可以包含字符或数字:
% 代表零个或多个字符(任意个字符)。
_ 代表一个字符。 - 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)查找以2开头薪水的员工信息
(2)查找第二个数值为2的薪水的员工信息hive (default)> select * from emp where sal LIKE '2%';
(3)查找薪水中含有2的员工信息hive (default)> select * from emp where sal LIKE '_2%';
hive (default)> select * from emp where sal RLIKE '[2]';
6.2.3 逻辑运算符(And/Or/Not)
操作符 | 含义 |
---|---|
AND | 逻辑并 |
OR | 逻辑或 |
NOT | 逻辑否 |
案例实操
- 查询薪水大于1000,部门是30
hive (default)> select * from emp where sal>1000 and deptno=30;
- 查询薪水大于1000,或者部门是30
hive (default)> select * from emp where sal>1000 or deptno=30;
- 查询除了20部门和30部门以外的员工信息
hive (default)> select * from emp where deptno not IN(30, 20);
6.3 分组
6.3.1 Group By语句
GROUP BY语句通常会和聚合函数一起使用,按照一个或者多个列队结果进行分组,然后对每个组执行聚合操作。
案例实操:
- 计算emp表每个部门的平均工资
hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
- 计算emp每个部门中每个岗位的最高薪水
hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;
6.3.2 Having语句
- having与where不同点
(1)where针对表中的列发挥作用,查询数据;having针对查询结果中的列发挥作用,筛选数据。
(2)where后面不能写分组函数,而having后面可以使用分组函数。
(3)having只用于group by分组统计语句。 - 案例实操
(1)求每个部门的平均薪水大于2000的部门
求每个部门的平均工资
求每个部门的平均薪水大于2000的部门hive (default)> select deptno, avg(sal) from emp group by deptno;
hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;
6.4 Join语句
6.4.1 等值Join
Hive支持通常的SQL JOIN语句,但是只支持等值连接,不支持非等值连接。
案例实操
根据员工表和部门表中的部门编号相等,查询员工编号、员工名称和部门名称;
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d
on e.deptno = d.deptno;
6.4.2 表的别名
- 好处
(1)使用别名可以简化查询。
(2)使用表名前缀可以提高执行效率。 - 案例实操
合并员工表和部门表hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
6.4.3 内连接
内连接:只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno
= d.deptno;
6.4.4 左外连接
左外连接:JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。
hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno
= d.deptno;
6.4.5 右外连接
右外连接:JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。
hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno
= d.deptno;
6.4.6 满外连接
满外连接:将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话,那么就使用NULL值替代。
hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno
= d.deptno;
6.4.7 多表连接
注意:连接 n个表,至少需要n-1个连接条件。例如:连接三个表,至少需要两个连接条件。
数据准备
1700 Beijing
1800 London
1900 Tokyo
- 创建位置表
create table if not exists default.location( loc int, loc_name string ) row format delimited fields terminated by '\t';
- 导入数据
hive (default)> load data local inpath '/opt/module/datas/location.txt' into table default.location;
- 多表连接查询
hive (default)>SELECT e.ename, d.deptno, 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。
6.4.8 笛卡尔积
- 笛卡尔集会在下面条件下产生
(1)省略连接条件
(2)连接条件无效
(3)所有表中的所有行互相连接 - 案例实操
hive (default)> select empno, dname from emp, dept;
6.4.9 连接谓词中不支持or
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno
= d.deptno or e.ename=d.ename; 错误的
6.5 排序
6.5.1 全局排序(Order By)
Order By:全局排序,一个Reducer
- 使用 ORDER BY 子句排序
ASC(ascend): 升序(默认)
DESC(descend): 降序 - ORDER BY 子句在SELECT语句的结尾
- 案例实操
(1)查询员工信息按工资升序排列
(2)查询员工信息按工资降序排列hive (default)> select * from emp order by sal;
hive (default)> select * from emp order by sal desc;
6.5.2 按照别名排序
按照员工薪水的2倍排序
hive (default)> select ename, sal*2 twosal from emp order by twosal;
6.5.3 多个列排序
按照部门和工资升序排序
hive (default)> select ename, deptno, sal from emp order by deptno, sal ;
6.5.4 每个MapReduce内部排序(Sort By)
Sort By:每个Reducer内部进行排序,对全局结果集来说不是排序。
- 设置reduce个数
hive (default)> set mapreduce.job.reduces=3;
- 查看设置reduce个数
hive (default)> set mapreduce.job.reduces;
- 根据部门编号降序查看员工信息
hive (default)> select * from emp sort by empno desc;
- 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/datas/sortby-result' select * from emp sort by deptno desc;
6.5.5 分区排序(Distribute By)
Distribute By:类似MR中partition,进行分区,结合sort by使用。
注意,Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。
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/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;
6.5.6 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
注意:按照部门编号分区,不一定就是固定死的数值,可以是20号和30号部门分到一个分区里面去。hive (default)> select * from emp cluster by deptno; hive (default)> select * from emp distribute by deptno sort by deptno;
6.6分桶及抽样查询
6.6.1 分桶表数据存储
分区针对的是数据的存储路径;分桶针对的是数据文件。
分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区,特别是之前所提到过的要确定合适的划分大小这个疑虑。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
- 先创建分桶表,通过直接导入数据文件的方式
(1)数据准备
(2)创建分桶表1001 ss1 1002 ss2 1003 ss3 1004 ss4 1005 ss5 1006 ss6 1007 ss7 1008 ss8 1009 ss9 1010 ss10 1011 ss11 1012 ss12 1013 ss13 1014 ss14 1015 ss15 1016 ss16
(3)查看表结构create table stu_buck(id int, name string) clustered by(id) into 4 buckets row format delimited fields terminated by '\t';
(4)导入数据到分桶表中hive (default)> desc formatted stu_buck; Num Buckets: 4
(5)查看创建的分桶表中是否分成4个桶hive (default)> load data local inpath '/opt/module/datas/student.txt' into table stu_buck;
(发现并没有分成4个桶。) - 创建分桶表时,数据通过子查询的方式导入
(1)先建一个普通的stu表
(2)向普通的stu表中导入数据create table stu(id int, name string) row format delimited fields terminated by '\t';
(3)清空stu_buck表中数据load data local inpath '/opt/module/datas/student.txt' into table stu;
(4)导入数据到分桶表,通过子查询的方式truncate table stu_buck; select * from stu_buck;
(5)发现还是只有一个分桶insert into table stu_buck select id, name from stu;
(6)需要设置一个属性
(7)查询分桶的数据hive (default)> set hive.enforce.bucketing=true; hive (default)> set mapreduce.job.reduces=-1; hive (default)> insert into table stu_buck select id, name from stu;
hive (default)> select * from stu_buck; OK stu_buck.id stu_buck.name 1004 ss4 1008 ss8 1012 ss12 1016 ss16 1001 ss1 1005 ss5 1009 ss9 1013 ss13 1002 ss2 1006 ss6 1010 ss10 1014 ss14 1003 ss3 1007 ss7 1011 ss11 1015 ss15
6.6.2 分桶抽样查询
对于非常大的数据集,有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
查询表stu_buck中的数据。
hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);
注:tablesample是抽样语句,语法:TABLESAMPLE(BUCKET x OUT OF y) 。
y必须是table总bucket数的倍数或者因子。hive根据y的大小,决定抽样的比例。例如,table总共分了4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。
x表示从哪个bucket开始抽取,如果需要取多个分区,以后的分区号为当前分区号加上y。例如,table总bucket数为4,tablesample(bucket 1 out of 2),表示总共抽取(4/2=)2个bucket的数据,抽取第1(x)个和第3(x+y)个bucket的数据。
注意:x的值必须小于等于y的值,否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck