Hadoop-Hive-1
来源:互联网 发布:新速特软件站不能下载 编辑:程序博客网 时间:2024/05/23 21:29
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:
- 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。
- 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
需要输出报表:t_access_times_accumulate
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;
- Hadoop/Hive简介 1
- Hadoop-Hive-1
- hadoop(1):centos 安装 hadoop & hive
- Hadoop --> Hive
- Hadoop+Hive
- hadoop-hive
- [hadoop hive] hive总结
- kettle 5.1.0 连接 Hadoop hive 2 (hive 1.2.1)
- hadoop hive 2.1.1 将Hive启动为服务
- Hive之 hive-1.2.1 + hadoop 2.7.4 集群安装
- hadoop 自学指南八之Hive(1)
- Hive和hadoop ?
- 配置Hadoop和HIVE
- 配置hadoop,hive,hbase
- Hadoop+hive安装
- Hadoop/Hive简介
- Hadoop hive General
- Hadoop/Hive简介
- 解决start tomcat has encountered a problem出错的方法
- WebSerice学习笔记——WebSerice基础
- struts2 2.5.10.1升级至2.5.13
- Eclipse中无法输入中文
- JMeter学习---关联
- Hadoop-Hive-1
- python学习路线图
- [计蒜客16951] Out-out-control cars [2017 ACM-ICPC 亚洲区(乌鲁木齐赛区)网络赛 B]
- 1093: 验证哥德巴赫猜想(函数专题)
- WebService学习笔记——AXIS2基础
- 小白成长之路
- zookeeper开源客户端curator
- ext treepanel重复加载的问题
- 利用BFC实现左右两列自适应布局