Hadoop-Hive-1

1. Hive基本概念

1.1 Hive简介

1.1.1 什么是Hive

​ 官网: https://hive.apache.org/ ，建议英语过八级的可以去尝试，不过也有谷歌翻译呢，网址： https://translate.google.cn

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数据库表，并提供类SQL查询功能，与spark不同的是hive是将sql语句转换为MapReduce任务进行运行的（所以适合于处理大批量的离线数据而且速度极其缓慢，不能作为真正的大型数据库）。

1.1.2 为什么使用Hive

Ø 直接使用hadoop所面临的问题

人员学习成本太高

项目周期要求太短

MapReduce实现复杂查询逻辑开发难度太大

​ 因此，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析（基于已有的规整化的数据的查询操作）。

Ø 为什么要使用Hive

操作接口采用类SQL语法，提供快速开发的能力。

避免了去写MapReduce，减少开发人员的学习成本。

扩展功能很方便。

另外，基于mr的算法会导致众多实现，而且性能不一，而使用hive将可以统一具体实现统一性能方便管理

1.1.3 Hive的特点

Ø 可扩展

Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。

Ø 延展性

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。

Ø 容错

良好的容错性，节点出现问题SQL仍可完成执行。

1.1.4 安装Hive

三种模式

内嵌模式：元数据保持在内嵌的derby模式(内嵌数据库)，只允许一个会话连接(最简洁)

本地独立模式：在本地安装Mysql，吧元数据放到mySql内

远程模式：元数据放置在远程的Mysql数据库(连接外部数据库服务，实际开发使用)

1、下载Hive安装包

http://hive.apache.org/downloads.html

2、将hive文件上传到HADOOP集群，并解压

​ 将文件上传到：/export/software

tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /export/servers/

cd /export/servers/

ln -s apache-hive-1.2.1-bin hive

3、配置环境变量，编辑/etc/profile

#set hive envexport HIVE_HOME=/export/servers/hiveexport PATH=${HIVE_HOME}/bin:$PATH

#让环境变量生效

source /etc/profile

4、修改hive配置文件

进入配置文件的目录

cd /export/servers/hive/conf/

修改hive-env.sh文件

cp hive-env.sh.template hive-env.sh

将以下内容写入到hive-env.sh文件中

export JAVA_HOME=/export/servers/jdk

export HADOOP_HOME=/export/servers/hadoop

export HIVE_HOME=/export/servers/hive

修改log4j文件

cp hive-log4j.properties.template hive-log4j.properties

将EventCounter修改成org.apache.hadoop.log.metrics.EventCounter

#log4j.appender.EventCounter=org.apache.hadoop.hive.shims.HiveEventCounter

log4j.appender.EventCounter=org.apache.hadoop.log.metrics.EventCounter

配置远程登录模式

touch hive-site.xml

将以下信息写入到hive-site.xml文件中

<configuration>        <property>                <name>javax.jdo.option.ConnectionURL</name>                <value>jdbc:mysql://hadoop02:3306/hivedb?createDatabaseIfNotExist=true</value>        </property>        <property>                <name>javax.jdo.option.ConnectionDriverName</name>                <value>com.mysql.jdbc.Driver</value>        </property>        <property>                <name>javax.jdo.option.ConnectionUserName</name>                <value>root</value>        </property>        <property>                <name>javax.jdo.option.ConnectionPassword</name>                <value>root</value>        </property></configuration>

5、安装mysql并配置hive数据库及权限

安装mysql数据库及客户端

yum install mysql-server

yum install mysql

service mysqld start

配置hive元数据库

mysql -u root -p

create database hivedb;

对hive元数据库进行赋权，开放远程连接，开放localhost连接

grant all privileges on . to root@”%” identified by “root” with grant option;

grant all privileges on . to root@”localhost” identified by “root” with grant option;

6、运行hive命令即可启动hive

hive

附录1：如果报错Terminal initialization failed; falling back to unsupported

​ 将/export/servers/hive/lib 里面的jline2.12替换了hadoop 中/export/servers/hadoop/hadoop-2.6.1/share/hadoop/yarn/lib/jline-0.09*.jar

附录2：异常信息

​ Logging initialized using configuration in jar:file:/export/servers/apache-hive-2.0.0-bin/lib/hive-common-2.0.0.jar!/hive-log4j2.properties

Exception in thread “main” java.lang.RuntimeException: Hive metastore database is not initialized. Please use schematool (e.g. ./schematool -initSchema -dbType …) to create the schema. If needed, don’t forget to include the option to auto-create the underlying database in your JDBC connection string (e.g. ?createDatabaseIfNotExist=true for mysql)

处理方法：

​ schematool -dbType mysql -initSchema

1.1.5 java后台使用hive

使用maven管理jar包依赖

链接: mvnrepository.com搜索hive,复制以下依赖到pom.xml中即可org.apache.org->    hive-exec--->自定义UDF    hive-common    hive-service    hive-jdbc    hadoop-common然后选择合适的版本即可

1.2 Hive架构

1.2.1 架构图

Jobtracker是hadoop1.x中的组件，它的功能相当于： Resourcemanager+AppMaster

TaskTracker 相当于： Nodemanager + yarnchild

1.2.1.1 业务模型建造

​ 在经过了长期的大数据的实践和总结，可以使用星型模型、雪花模型等

​ 星型模型：以核心表为中心，以其他需求字段以及其组合作为纬度，多层依次展开

1.2.1.2 架构全景

​ 首先需要使用Hive关联到一个YARN管理的HDFS中，假设一个统计的原始文件为access.log，当一个指令发送到hive上执行时，例如说create database db_bic;指令会先发送到类似于complier编译解析器，一方面发送写的操作大元信息(schema)数据库，另一方面会查询mr的模板库，生成真正的执行代码的job runer ,然后会操作到YARN的HDFS中在对应的文件目录下创建一个对应名称的文件夹，例如/user/hive/warehouse/db_bi,在创建了数据库之后再创建一张表，类似sql的形式,先use db_bic;然后create table ods_click_data(ip string,timestamp string,reques_url string,referral_url string,,status int,useragent string)；发送到hive的compiler，依赖操作需要先查询之前的元信息(schema)数据库，然后查询mr模板库，分析产生job runer,到YARN管理中的HDFS中再次依赖创建创建,例如/user/hive/warehouse/db_bi/ods_click_data/，在ods_click_data文件夹中存放着一系列的点击流数据文件

1.2.2 基本组成

​ 用户接口：包括 CLI、JDBC/ODBC、WebGUI。

​ 元数据存储：通常是存储在关系数据库如 mysql , derby中。

​ 解释器、编译器、优化器、执行器。

1.2.3 各组件的基本功能

用户接口主要由三个：CLI、JDBC/ODBC和WebGUI。其中，CLI为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；WebGUI是通过浏览器访问Hive。

元数据存储：Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。

1.3 Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

1.4 Hive与传统数据库对比

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

1.5 Hive的数据存储

1、Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）

2、只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。

3、Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹table：在hdfs中表现所属db目录下一个文件夹external table：外部表, 与table类似，不过其数据存放位置可以在任意指定路径普通表: 删除表后, hdfs上的文件都删了External外部表删除后, hdfs上的文件没有删除, 只是把文件删除了partition：在hdfs中表现为table目录下的子目录bucket：桶, 在hdfs中表现为同一个表目录下根据hash散列之后的多个文件, 会根据不同的文件把数据放到不同的文件中 

1.6 HIVE的安装部署

1.6.1 安装

单机版：

元数据库mysql版：

1.6.2 使用方式

Hive交互shell

bin/hive

Hive thrift服务

启动方式，（假如是在hadoop01上）：

启动为前台：bin/hiveserver2

启动为后台：nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &

启动成功后，可以在别的节点上用beeline去连接

v 方式（1）

hive/bin/beeline 回车，进入beeline的命令界面

输入命令连接hiveserver2

beeline> !connect jdbc:hive2//mini1:10000

（hadoop01是hiveserver2所启动的那台主机名，端口默认是10000）

v 方式（2）

或者启动就连接：

bin/beeline -u jdbc:hive2://mini1:10000 -n hadoop

接下来就可以做正常sql查询了

Hive命令

[hadoop@hdp-node-02 ~]$ hive -e ‘sql’

2. Hive基本操作

在使用HIVE操作数据之前先总结一下mr的操作模式:

mapreduce在编程的时候，基本上一个固化的模式，没有太多可灵活改变的地方，除了以下几处：1、输入数据接口：InputFormat   --->     FileInputFormat(文件类型数据读取的通用抽象类)  DBInputFormat （数据库数据读取的通用抽象类）   默认使用的实现类是： TextInputFormat     job.setInputFormatClass(TextInputFormat.class)   TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回2、逻辑处理接口： Mapper     完全需要用户自己去实现其中  map()   setup()   clean()   3、map输出的结果在shuffle阶段会被partition以及sort，此处有两个接口可自定义：     Partitioner        有默认实现 HashPartitioner，逻辑是  根据key和numReduces来返回一个分区号； key.hashCode()&Integer.MAXVALUE % numReduces    通常情况下，用默认的这个HashPartitioner就可以，如果业务上有特别的需求，可以自定义     Comparable        当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，override其中的compareTo()方法4、reduce端的数据分组比较接口 ： Groupingcomparator    reduceTask拿到输入数据（一个partition的所有数据）后，首先需要对数据进行分组，其分组的默认原则是key相同，然后对每一组kv数据调用一次reduce()方法，并且将这一组kv中的第一个kv的key作为参数传给reduce的key，将这一组数据的value的迭代器传给reduce()的values参数    利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑：    自定义一个bean对象用来封装我们的数据，然后改写其compareTo方法产生倒序排序的效果    然后自定义一个Groupingcomparator，将bean对象的分组逻辑改成按照我们的业务分组id来分组（比如订单号）    这样，我们要取的最大值就是reduce()方法中传进来key5、逻辑处理接口：Reducer    完全需要用户自己去实现其中  reduce()   setup()   clean()   6、输出数据接口： OutputFormat  ---> 有一系列子类  FileOutputformat  DBoutputFormat  .....    默认实现类是TextOutputFormat，功能逻辑是：  将每一个KV对向目标文本文件中输出为一行 

2.1 DDL操作

2.1.1 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]

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、LIKE 允许用户复制现有的表结构，但是不复制数据。4、ROW FORMAT DELIMITED FIELDS TERMINATED BY char MAP KEYS TERMINATED BY char  | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value,property_name=property_value, ...)]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。5、 STORED AS SEQUENCEFILE|TEXTFILE|RCFILE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。6、CLUSTERED BY对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。 把表（或者分区）组织成桶（Bucket）有两个理由：（1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

具体实例

1、 创建内部表mytable。

2、 创建外部表pageview。

内布表区别补充：当试验drop两种表时，内部表的源文件也会被删除，而外部表不会

3、 创建分区表invites。

4、 创建带桶的表student。

补充：在使用带桶的表时需要先设置以下参数:

# 开启分桶set hive.enforce.bucketing = true;set mapreduce.job.reduces = 适合的数量;

2.1.2 修改表

增加/删除分区

语法结构

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION ‘location1’ ] partition_spec [ LOCATION ‘location2’ ] …

partition_spec:

PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, …)

ALTER TABLE table_name DROP partition_spec, partition_spec,…

具体实例

重命名表

语法结构

ALTER TABLE table_name RENAME TO new_table_name

具体实例

增加/更新列

语法结构

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], …)

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 CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

具体实例

2.1.3 显示命令

show tables;

show databases ;

show partitions table_name;

show functions;

desc extended t_name;

desc formatted table_name;

2.2 DML操作

2.2.1 Load

语法结构

LOAD DATA [LOCAL] INPATH ‘filepath’ [OVERWRITE] INTO

TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 …)]

说明：

1、 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。

2、 filepath：

相对路径，例如：project/data1

绝对路径，例如：/user/hive/project/data1

包含模式的完整 URI，列如：

hdfs://namenode:9000/user/hive/project/data1

3、 LOCAL关键字

如果指定了 LOCAL， load 命令会去查找本地文件系统中的 filepath。

如果没有指定 LOCAL 关键字，则根据inpath中的uri查找文件

4、 OVERWRITE 关键字

如果使用了 OVERWRITE 关键字，则目标表（或者分区）中的内容会被删除，然后再将 filepath 指向的文件/目录中的内容添加到表/分区中。

如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那么现有的文件会被新文件所替代。

具体实例

1、 加载相对路径数据。

2、 加载绝对路径数据。

3、 加载包含模式数据。

4、 OVERWRITE关键字使用。

2.2.2 Insert

将查询结果插入Hive表

语法结构

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 …)] select_statement1 FROM from_statement

Multiple inserts:

FROM from_statement

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 …)] select_statement1

[INSERT OVERWRITE TABLE tablename2 [PARTITION …] select_statement2] …

Dynamic partition inserts:

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] …) select_statement FROM from_statement

具体实例

1、基本模式插入。

2、多插入模式。

3、自动分区模式。

导出表数据

语法结构

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT … FROM …

multiple inserts:

FROM from_statement

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1

[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2] …

具体实例

1、导出文件到本地。

说明：

数据写入到文件系统时进行文本序列化，且每列用^A来区分，\n为换行符。用more命令查看时不容易看出分割符，可以使用: sed -e ‘s/\x01/|/g’ filename来查看。

2、导出数据到HDFS。

2.2.3 SELECT

基本的Select操作

语法结构

SELECT [ALL | DISTINCT] select_expr, select_expr, …

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list [HAVING condition]]

[CLUSTER BY col_list

| [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]

]

[LIMIT number]

注：1、order by 会对输入做全局排序，因此当只有一个reducer时，会导致当输入规模较大，需要较长的计算时间。

2、sort by不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer的输出有序，不保证全局有序。

3、distribute by根据distribute by指定的内容将数据分到同一个reducer。

4、Cluster by 除了具有Distribute by的功能外，还会对该字段进行排序。因此，常常认为cluster by = distribute by + sort by

具体实例

1、获取年龄大的3个学生。

2、查询学生信息按年龄，降序排序。

3、按学生名称汇总学生年龄。

2.3 Hive Join

语法结构

join_table:

table_reference JOIN table_factor [join_condition]

| table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition

| table_reference LEFT SEMI JOIN table_reference join_condition

Hive 支持等值连接（equality joins）、外连接（outer joins）和（left/right joins）。Hive 不支持非等值的连接，因为非等值连接非常难转化到 map/reduce 任务。

另外，Hive 支持多于 2 个表的连接。

写 join 查询时，需要注意几个关键点：

1. 只支持等值join

例如：

SELECT a.* FROM a JOIN b ON (a.id = b.id)

SELECT a.* FROM a JOIN b ON (a.id = b.id AND a.department = b.department)

是正确的，然而:

SELECT a.* FROM a JOIN b ON (a.id>b.id)

是错误的。

1. 可以 join 多于 2 个表。

例如

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，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)

被转化为单个 map/reduce 任务，因为 join 中只使用了 b.key1 作为 join key。

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

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

而这一 join 被转化为 2 个 map/reduce 任务。因为 b.key1 用于第一次 join 条件，而 b.key2 用于第二次 join。

3．join 时，每次 map/reduce 任务的逻辑：

​ 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。

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

具体实例

1、 获取已经分配班级的学生姓名。

2、 获取尚未分配班级的学生姓名。

3、 LEFT SEMI JOIN是IN/EXISTS的高效实现。

3 Hive Shell参数

3.1 Hive命令行

语法结构

hive [-hiveconf x=y] [<-i filename>] [<-f filename>|<-e query-string>] [-S]

说明：

1、 -i 从文件初始化HQL。

2、 -e从命令行执行指定的HQL

3、 -f 执行HQL脚本

4、 -v 输出执行的HQL语句到控制台

5、 -p connect to Hive Server on port number

6、 -hiveconf x=y Use this to set hive/hadoop configuration variables.

具体实例

1、运行一个查询。

2、运行一个文件。

3、运行参数文件。

3.2 Hive参数配置方式

Hive参数大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

开发Hive应用时，不可避免地需要设定Hive的参数。设定Hive的参数可以调优HQL代码的执行效率，或帮助定位问题。然而实践中经常遇到的一个问题是，为什么设定的参数没有起作用？这通常是错误的设定方式导致的。

对于一般参数，有以下三种设定方式：

l 配置文件

l 命令行参数

l 参数声明

配置文件：Hive的配置文件包括

l 用户自定义配置文件：$HIVE_CONF_DIR/hive-site.xml

l 默认配置文件：$HIVE_CONF_DIR/hive-default.xml

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。

命令行参数：启动Hive（客户端或Server方式）时，可以在命令行添加-hiveconf param=value来设定参数，例如：

bin/hive -hiveconf hive.root.logger=INFO,console

这一设定对本次启动的Session（对于Server方式启动，则是所有请求的Sessions）有效。

参数声明：可以在HQL中使用SET关键字设定参数，例如：

set mapred.reduce.tasks=100;

这一设定的作用域也是session级的。

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文件设定。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Session建立以前已经完成了。

4. Hive函数

4.0 参考资料

函数分类

HIVE CLI命令

显示当前会话有多少函数可用
SHOW FUNCTIONS;

显示函数的描述信息
DESC FUNCTION concat;

显示函数的扩展描述信息
DESC FUNCTION EXTENDED concat;

简单函数

函数的计算粒度为单条记录。
关系运算
数学运算
逻辑运算
数值计算
类型转换
日期函数
条件函数
字符串函数
统计函数

聚合函数

函数处理的数据粒度为多条记录。
sum()—求和
count()—求数据量
avg()—求平均直
distinct—求不同值数
min—求最小值
max—求最人值

集合函数

复合类型构建
复杂类型访问
复杂类型长度

特殊函数

窗口函数

应用场景
用于分区排序
动态Group By
Top N
累计计算
层次查询

Windowing functions

lead

lag

FIRST_VALUE

LAST_VALUE

分析函数

Analytics functions

RANK

ROW_NUMBER

DENSE_RANK

CUME_DIST

PERCENT_RANK

NTILE

混合函数

java_method(class,method [,arg1 [,arg2])reflect(class,method [,arg1 [,arg2..]])hash(a1 [,a2…])

UDTF

lateralView: LATERAL VIEW udtf(expression) tableAlias AS columnAlias (‘,‘ columnAlias)* fromClause: FROM baseTable (lateralView)*

ateral view用于和split, explode等UDTF一起使用，它能够将一行数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。lateral view首先为原始表的每行调用UDTF，UTDF会把一行拆分成一或者多行，lateral view再把结果组合，产生一个支持别名表的虚拟表。

常用函数Demo：

create table employee(

id string,

money double,

type string)row format delimited

fields terminated by ‘\t‘

lines terminated by ‘\n‘

stored as textfile;load data local inpath ‘/liguodong/hive/data‘ into table employee;select * from employee;

优先级依次为NOT AND ORselect id,money from employee where (id=‘1001‘ or id=‘1002‘) and money=‘100‘;

cast类型转换

select cast(1.5 as int);

if判断

if(con,‘‘,‘‘);

hive (default)> select if(2>1,‘YES‘,‘NO‘);

YES

case when con then ‘‘ when con then ‘‘ else ‘‘ end (‘‘里面类型要一样)

select case when id=‘1001‘ then ‘v1001‘ when id=‘1002‘ then ‘v1002‘ else ‘v1003‘ end from employee;

get_json_object

get_json_object(json 解析函数，用来处理json，必须是json格式)select get_json_object(‘{“name”:”jack”,”age”:”20”}‘,‘$.name‘);

URL解析函数

parse_url(string urlString, string partToExtract [, string keyToExtract])

select parse_url(‘http://facebook.com/path1/p.php?k1=v1&k2=v2#Ref1‘, ‘HOST‘) from

employee limit 1;

字符串连接函数： concat
语法: concat(string A, string B…)
返回值: string
说明：返回输入字符串连接后的结果，支持任意个输入字符串
举例：

hive> select concat(‘abc‘,‘def’,‘gh‘) from lxw_dual;

abcdefgh

带分隔符字符串连接函数： concat_ws
语法: concat_ws(string SEP, string A, string B…)
返回值: string
说明：返回输入字符串连接后的结果， SEP 表示各个字符串间的分隔符

concat_ws(string SEP, array)

举例：

hive> select concat_ws(‘,‘,‘abc‘,‘def‘,‘gh‘) from lxw_dual;

abc,def,gh

列出该字段所有不重复的值，相当于去重

collect_set(id) //返回的是数组

列出该字段所有的值，列出来不去重

collect_list(id) //返回的是数组

select collect_set(id) from taborder;

求和

sum(money)

统计列数

count(*)

select sum(num),count(*) from taborder;

窗口函数

first_value(第一行值)

first_value(money) over (partition by id order by money)

select ch,num,first_value(num) over (partition by ch order by num) from taborder;

rows between 1 preceding and 1 following (当前行以及当前行的前一行与后一行)

hive (liguodong)> select ch,num,first_value(num) over (partition by ch order by num ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) from taborder;

last_value 最后一行值

hive (liguodong)> select ch,num,last_value(num) over (partition by ch) from taborder;

lead

去当前行后面的第二行的值

lead(money,2) over (order by money)

lag

去当前行前面的第二行的值

lag(money,2) over (order by money)

“`

“`

select ch, num, lead(num,2) over (order by num) from taborder;

select ch, num, lag(num,2) over (order by num) from taborder;

rank排名

rank() over(partition by id order by money)

select ch, num, rank() over(partition by ch order by num) as rank from taborder;

select ch, num, dense_rank() over(partition by ch order by num) as dense_rank from taborder;

cume_dist

cume_dist (相同值的最大行号/行数)

cume_dist() over (partition by id order by money)

percent_rank (相同值的最小行号-1)/(行数-1)

第一个总是从0开始

percent_rank() over (partition by id order by money)

select ch,num,cume_dist() over (partition by ch order by num) as cume_dist,

percent_rank() over (partition by ch order by num) as percent_rank

from taborder;

ntile分片

ntile(2) over (order by money desc) 分两份

select ch,num,ntile(2) over (order by num desc) from taborder;

混合函数

select id,java_method(“java.lang,Math”,”sqrt”,cast(id as double)) as sqrt from hiveTest;

UDTF

select id,adid

from employee

lateral view explode(split(type,‘B‘)) tt as adid;

explode 把一列转成多行

hive (liguodong)> select id,adid

​ > from hiveDemo

​ > lateral view explode(split(str,‘,‘)) tt as adid;

正则表达式
使用正则表达式的函数
regexp_replace(string subject A,string B,string C)
regexp_extract(string subject,string pattern,int index)

hive> select regexp_replace(‘foobar‘, ‘oo|ar‘, ‘‘) from lxw_dual;

fb

hive> select regexp_replace(‘979|7.10.80|8684‘, ‘.\|(.)‘,1) from hiveDemo limit 1;

hive> select regexp_replace(‘979|7.10.80|8684‘, ‘(.?)\|(.)‘,1) from hiveDemo limit 1;

4.1 内置运算符

内容较多，见《Hive官方文档》

4.2 内置函数

内容较多，见《Hive官方文档》

测试各种内置函数的快捷方法：

1、创建一个dual表

create table dual(id string);

2、load一个文件（一行，一个空格）到dual表

3、select substr(‘angelababy’,2,3) from dual;

4.3 Hive自定义函数和Transform

当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。

4.3.1 自定义函数类别

UDF 作用于单个数据行，产生一个数据行作为输出。（数学函数，字符串函数）

UDAF（用户定义聚集函数）：接收多个输入数据行，并产生一个输出数据行。（count，max）

4.3.2 UDF开发实例

UDF类源码注解摘抄:

A User-defined function (UDF) for use with Hive.New UDF classes need to inherit from this UDF class (or from {@link org.apache.hadoop.hive.ql.udf.generic.GenericUDF GenericUDF} which provides more flexibility at the cost of more complexity).Requirements for all classes extending this UDF are:Implement one or more methods named {@code evaluate} which will be called by Hive (the exact way in which Hive resolves the method to call can be configured by setting a custom {@link UDFMethodResolver}). The following are some examples:{@code public int evaluate();}{@code public int evaluate(int a);}{@code public double evaluate(int a, double b);}{@code public String evaluate(String a, int b, Text c);}{@code public Text evaluate(String a);}{@code public String evaluate(List a);} (Note that Hive Arrays are represented as {@link java.util.List Lists} in Hive. So an {@code ARRAY} column would be passed in as a {@code List}.){@code evaluate} should never be a void method. However it can return {@code null} if needed.Return types as well as method arguments can be either Java primitives or the corresponding {@link org.apache.hadoop.io.Writable Writable} class.One instance of this class will be instantiated per JVM and it will not be called concurrently. @see Description @see UDFType

注意：需要暴露的evaluate方法的访问修饰符请设置为public

1、先开发一个java类，继承UDF，并以evaluate为方法名书写自定义函数功能：

package cn.it.bigdata.udfimport org.apache.hadoop.hive.ql.exec.UDF;import org.apache.hadoop.io.Text;public final class Lower extends UDF{    public Text evaluate(final Text s){        if(s==null){return null;}        return new Text(s.toString().toLowerCase());    }}

2、打成jar包上传到服务器

3、将jar包添加到hive的classpath

hive>add JAR /home/hadoop/udf.jar;

4、创建临时函数与开发好的java class关联(调用udf时带上不同的参数时对应着关联中指定的类中以evaluate相同参数的方法)

Hive>create temporary function tolowercase as 'cn.it.bigdata.udf.ToProvince';

5、即可在hql中使用自定义的函数strip

Select strip(name),age from t_test;

4.3.3 Transform实现

Hive的 TRANSFORM 关键字提供了在SQL中调用自写脚本的功能

适合实现Hive中没有的功能又不想写UDF的情况

使用示例1：下面这句sql就是借用了weekday_mapper.py对数据进行了处理.

CREATE TABLE u_data_new (  movieid INT,  rating INT,  weekday INT,  userid INT)ROW FORMAT DELIMITEDFIELDS TERMINATED BY '\t';add FILE weekday_mapper.py;INSERT OVERWRITE TABLE u_data_newSELECT  TRANSFORM (movieid , rate, timestring,uid)  USING 'python weekday_mapper.py'  AS (movieid, rating, weekday,userid)FROM t_rating;

其中weekday_mapper.py内容如下

#!/bin/pythonimport sysimport datetimefor line in sys.stdin:  line = line.strip()  movieid, rating, unixtime,userid = line.split('\t')  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()  print '\t'.join([movieid, rating, str(weekday),userid])

使用示例2：下面的例子则是使用了shell的cat命令来处理数据

CREATE TABLE u_data_new (  movieid INT,  rating INT,  weekday INT,  userid INT)ROW FORMAT DELIMITEDFIELDS TERMINATED BY '\t';add FILE weekday_mapper.py;INSERT OVERWRITE TABLE u_data_newSELECT  TRANSFORM (movieid , rate, timestring,uid)  USING 'python weekday_mapper.py'  AS (movieid, rating, weekday,userid)FROM t_rating;

其中中weekday_mapper.py文件内容如下

#!/bin/pythonimport sysimport datetimefor line in sys.stdin:  line = line.strip()  movieid, rating, unixtime,userid = line.split('\t')  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()  print '\t'.join([movieid, rating, str(weekday),userid])

5. Hive实战

Hive 实战案例1——数据ETL

需求：

对web点击流日志基础数据表进行etl（按照仓库模型设计）

按各时间维度统计来源域名top10

已有数据表 “t_orgin_weblog” ：

+------------------+------------+----------+--+|     col_name     | data_type  | comment  |+------------------+------------+----------+--+| valid            | string     |          || remote_addr      | string     |          || remote_user      | string     |          || time_local       | string     |          || request          | string     |          || status           | string     |          || body_bytes_sent  | string     |          || http_referer     | string     |          || http_user_agent  | string     |          |+------------------+------------+----------+--+

数据示例：

| true|1.162.203.134| - | 18/Sep/2013:13:47:35| /images/my.jpg                        | 200| 19939 | "http://www.angularjs.cn/A0d9"                      | "Mozilla/5.0 (Windows   || true|1.202.186.37 | - | 18/Sep/2013:15:39:11| /wp-content/uploads/2013/08/windjs.png| 200| 34613 | "http://cnodejs.org/topic/521a30d4bee8d3cb1272ac0f" | "Mozilla/5.0 (Macintosh;|

实现步骤：

1、对原始数据进行抽取转换

–将来访url分离出host ,path,query,query id 字段

drop table if exists t_etl_referurl;create table t_etl_referurl asSELECT a.*,b.*     FROM t_orgin_weblog a LATERAL VIEW parse_url_tuple(regexp_replace(http_referer, "\"", ""), 'HOST', 'PATH','QUERY', 'QUERY:id') b     as host, path, query, query_id 

2、从前述步骤进一步分离出日期时间形成ETL明细表“t_etl_detail” day tm

drop table if exists t_etl_detail;create table t_etl_detail as select b.*,substring(time_local,0,11) as daystr,substring(time_local,13) as tmstr,substring(time_local,4,3) as month,substring(time_local,0,2) as day,substring(time_local,13,2) as hourfrom t_etl_referurl b;

3、对etl数据进行分区(包含所有数据的结构化信息)

drop table t_etl_detail_prt;create table t_etl_detail_prt(valid                   string,remote_addr            string,remote_user            string,time_local               string,request                 string,status                  string,body_bytes_sent         string,http_referer             string,http_user_agent         string,host                   string,path                   string,query                  string,query_id               string,daystr                 string,tmstr                  string,month                  string,day                    string,hour                   string) partitioned by (mm string,dd string);

导入数据

insert into table t_etl_detail_prt partition(mm='Sep',dd='18')     select * from t_etl_detail where daystr='18/Sep/2013';insert into table t_etl_detail_prt partition(mm='Sep',dd='19')     select * from t_etl_detail where daystr='19/Sep/2013';

分成多个时间维度统计各referer_host的访问次数并排序

create table t_refer_host_visit_top_tmp    as select referer_host,count(*) as counts,mm,dd,hh             from t_display_referer_counts             group by hh,dd,mm,referer_host             order by hh asc,dd asc,mm asc,counts desc;

4、来源访问次数topn各时间维度URL

​ 取各时间维度的referer_host访问次数topn

select *     from (        select referer_host,counts,concat(hh,dd),row_number() over (partition by concat(hh,dd)            order by concat(hh,dd) asc        )     as od from t_refer_host_visit_top_tmp) t     where od<=3;

Hive 实战案例2——访问时长统计

需求：

从web日志中统计每日访客平均停留时间

实现步骤：

1、 由于要从大量请求中分辨出用户的各次访问，逻辑相对复杂，通过hive直接实现有困难，因此编写一个mr程序来求出访客访问信息（详见代码）

启动mr程序获取结果：

[hadoop@hdp-node-01 ~]$ hadoop jar weblog.jar cn.it.bigdata.hive.mr.UserStayTime /weblog/input /weblog/stayout 

2、 将mr的处理结果导入hive表

drop table t_display_access_info_tmp;create table t_display_access_info_tmp(    remote_addr string,firt_req_time string,last_req_time string,stay_long bigint)row format delimited fields terminated by '\t';load data inpath '/weblog/stayout4' into table t_display_access_info_tmp;

3、得出访客访问信息表 “t_display_access_info”

由于有一些访问记录是单条记录，mr程序处理处的结果给的时长是0，所以考虑给单次请求的停留时间一个默认市场30秒

drop table t_display_access_info;create table t_display_access_info asselect remote_addr,firt_req_time,last_req_time,case stay_longwhen 0 then 30000else stay_longend as stay_longfrom t_display_access_info_tmp;

4、统计所有用户停留时间平均值

select avg(stay_long) from t_display_access_info;

Hive实战案例3——级联求和

需求：

有如下访客访问次数统计表 t_access_times

访客 月份 访问次数 A 2015-01-02 5 A 2015-01-03 15 B 2015-01-01 5 A 2015-01-04 8 B 2015-01-05 25 A 2015-01-06 5 A 2015-02-02 4 A 2015-02-06 6 B 2015-02-06 10 B 2015-02-07 5 …… …… ……

需要输出报表：t_access_times_accumulate

访客 月份 月访问总计 累计访问总计 A 2015-01 33 33 A 2015-02 10 43 ……. ……. ……. ……. B 2015-01 30 30 B 2015-02 15 45 ……. ……. ……. …….

实现步骤

可以用一个hql语句即可实现：

select A.username,A.month,max(A.salary) as salary,sum(B.salary) as accumulatefrom (select username,month,sum(salary) as salary from t_access_times group by username,month) A inner join (select username,month,sum(salary) as salary from t_access_times group by username,month) BonA.username=B.usernamewhere B.month <= A.monthgroup by A.username,A.monthorder by A.username,A.month;