hiveQL

来源:互联网 发布:万维网域名注册查询 编辑:程序博客网 时间:2024/03/29 10:26

Hive 是一个很开放的系统,很多内容都支持用户定制,包括:

  • 文件格式:Text File,Sequence File
  • 内存中的数据格式: Java Integer/String, Hadoop IntWritable/Text
  • 用户提供的 map/reduce 脚本:不管什么语言,利用 stdin/stdout 传输数据
  • 用户自定义函数: Substr, Trim, 1 – 1
  • 用户自定义聚合函数: Sum, Average…… n – 1

File Format

 TextFileSequenceFIleRCFFileData typeText OnlyText/BinaryText/BinaryInternal Storage OrderRow-basedRow-basedColumn-basedCompressionFile BasedBlock BasedBlock BasedSplitableYESYESYESSplitable After CompressionNoYESYES
  CREATE TABLE mylog ( user_id BIGINT, page_url STRING, unix_time INT)  STORED AS TEXTFILE;

当用户的数据文件格式不能被当前 Hive 所识别的时候,可以自定义文件格式。可以参考 contrib/src/java/org/apache/hadoop/hive/contrib/fileformat/base64 中的例子。写完自定义的格式后,在创建表的时候指定相应的文件格式就可以:

  CREATE TABLE base64_test(col1 STRING, col2 STRING)    STORED AS    INPUTFORMAT 'org.apache.hadoop.hive.contrib.      fileformat.base64.Base64TextInputFormat'    OUTPUTFORMAT 'org.apache.hadoop.hive.contrib.      fileformat.base64.Base64TextOutputFormat';

SerDe

SerDe 是 Serialize/Deserilize 的简称,目的是用于序列化和反序列化。序列化的格式包括:

  • 分隔符(tab、逗号、CTRL-A)
  • Thrift 协议

反序列化(内存内):

  • Java Integer/String/ArrayList/HashMap
  • Hadoop Writable 类
  • 用户自定义类

目前存在的 Serde 见下图:

其中,LazyObject 只有在访问到列的时候才进行反序列化。 BinarySortable:保留了排序的二进制格式。

当存在以下情况时,可以考虑增加新的 SerDe:

  • 用户的数据有特殊的序列化格式,当前的 Hive 不支持,而用户又不想在将数据加载至 Hive 前转换数据格式。
  • 用户有更有效的序列化磁盘数据的方法。

用户如果想为 Text 数据增加自定义 Serde ,可以参照 contrib/src/java/org/apache/hadoop/hive/contrib/serde2/RegexSerDe.java 中的例子。RegexSerDe 利用用户提供的正则表倒是来反序列化数据,例如:

  CREATE TABLE apache_log(    host STRING,    identity STRING,    user STRING,    time STRING,    request STRING,    status STRING,    size STRING,    referer STRING,    agent STRING)  ROW FORMAT    SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'    WITH SERDEPROPERTIES      ( "input.regex" = "([^ ]*) ([^ ]*) ([^ ]*) (-|\\[[^\\]]*\\])      ([^ \"]*|\"[^\"]*\") (-|[0-9]*) (-|[0-9]*)(?: ([^ \"]*|\"[^\"]*\")      ([^ \"]*|\"[^\"]*\"))?",      "output.format.string" = "%1$s %2$s %3$s %4$s %5$s %6$s %7$s %8$s %9$s";)      STORED AS TEXTFILE;

用户如果想为 Binary 数据增加自定义的 SerDE,可以参考例子:serde/src/java/org/apache/hadoop/hive/serde2 /binarysortable,例如:

  CREATE TABLE mythrift_table  ROW FORMAT SERDE    'org.apache.hadoop.hive.contrib.serde2.thrift.ThriftSerDe'  WITH SERDEPROPERTIES (    "serialization.class" = "com.facebook.serde.tprofiles.full",    "serialization.format" = "com.facebook.thrift.protocol.TBinaryProtocol";);

Map/Reduce 脚本(Transform)

用户可以自定义 Hive 使用的 Map/Reduce 脚本,比如:

  FROM (SELECT TRANSFORM(user_id, page_url, unix_time)USING 'page_url_to_id.py'AS (user_id, page_id, unix_time)  FROM mylogDISTRIBUTE BY user_idSORT BY user_id, unix_time)  mylog2SELECT TRANSFORM(user_id, page_id, unix_time)USING 'my_python_session_cutter.py' AS (user_id, session_info);

Map/Reduce 脚本通过 stdin/stdout 进行数据的读写,调试信息输出到 stderr。

UDF(User-Defined-Function)

用户可以自定义函数对数据进行处理,例如:

  add jar build/ql/test/test-udfs.jar;  CREATE TEMPORARY FUNCTION testlengthAS 'org.apache.hadoop.hive.ql.udf.UDFTestLength';   SELECT testlength(src.value) FROM src;   DROP TEMPORARY FUNCTION testlength;

UDFTestLength.java 为:

  package org.apache.hadoop.hive.ql.udf;   public class UDFTestLength extends UDF {public Integer evaluate(String s) {  if (s == null) {return null;  }return s.length();}  }

自定义函数可以重载:

  add jar build/contrib/hive_contrib.jar;  CREATE TEMPORARY FUNCTION example_addAS 'org.apache.hadoop.hive.contrib.udf.example.UDFExampleAdd';   SELECT example_add(1, 2) FROM src;  SELECT example_add(1.1, 2.2) FROM src;

UDFExampleAdd.java:

  public class UDFExampleAdd extends UDF {public Integer evaluate(Integer a, Integer b) {  if (a = null || b = null)return null;  return a + b;} public Double evaluate(Double a, Double b) {  if (a = null || b = null)return null;  return a + b;}  }

%%

在使用 UDF 的时候,会自动进行类型转换,这个 java 或者 C 中的类型转换有些类似,比如:

  SELECT example_add(1, 2.1) FROM src;

的结果是 3.1,这是因为 UDF 将类型为 Int 的参数 “1″ 转换为 double。

类型的隐式转换是通过 UDFResolver 来进行控制的,并且可以根据不同的 UDF 进行不同的控制。

UDF 还可以支持变长的参数,例如 UDFExampleAdd.java:

  public class UDFExampleAdd extends UDF {public Integer evaluate(Integer... a) {  int total = 0;  for (int i=0; i<a.length; i++)if (a[i] != null) total += a[i];   return total;  } // the same for Double public Double evaluate(Double... a) }

使用例子为:

  SELECT example_add(1, 2) FROM src;  SELECT example_add(1, 2, 3) FROM src;  SELECT example_add(1, 2, 3, 4.1) FROM src;

综上,UDF 具有以下特性:

  • 用 java 写 UDF 很容易。
  • Hadoop 的 Writables/Text 具有较高性能。
  • UDF 可以被重载。
  • Hive 支持隐式类型转换。
  • UDF 支持变长的参数。
  • genericUDF 提供了较好的性能(避免了反射)。

UDAF(User-Defined Aggregation Funcation)

例子:

  SELECT page_url, count(1), count(DISTINCT user_id) FROM mylog;

UDAFCount.java:

  public class UDAFCount extends UDAF {public static class Evaluator implements UDAFEvaluator {  private int mCount;   public void init() {mcount = 0;  }   public boolean iterate(Object o) {if (o!=null)  mCount++; return true;  }   public Integer terminatePartial() {return mCount;  }   public boolean merge(Integer o) {mCount += o;return true;  }   public Integer terminate() {return mCount;  }  }

UDAF 总结:

  • 编写 UDAF 和 UDF 类似
  • UDAF 可以重载
  • UDAF 可以返回复杂类
  • 在使用 UDAF 的时候可以禁止部分聚合功能

UDF,UDAF 和 MR 脚本的对比:

0 0
原创粉丝点击