[一起学Hive]之九-Hive的查询语句SELECT

文章同步自 [ lxw的大数据田地 ]

关键字：Hive SELECT、ORDER BY、SORT BY、DISTRIBUTE BY、CLUSTER BY、Hive子查询、Hive虚拟列

八、Hive的查询语句SELECT

在所有的数据库系统中，SELECT语句是使用最多，也最复杂的一块，Hive中的查询语句SELECT支持的语法当然也比较复杂，本文只能尽力去介绍。

8.1 基础查询语法

Hive中的SELECT基础语法和标准SQL语法基本一致，支持WHERE、DISTINCT、GROUP BY、ORDER BY、HAVING、LIMIT、子查询等；
语法如下：

    [WITH CommonTableExpression (, CommonTableExpression)*]    SELECT [ALL | DISTINCT] select_expr, select_expr, ...    FROM table_reference    [WHERE where_condition]    [GROUP BY col_list]    [CLUSTER BY col_list    | [DISTRIBUTE BY col_list] [SORT BY col_list]    ]    [LIMIT number]

下面介绍Hive中比较特殊的一些查询语法。

8.2 ORDER BY和SORT BY

ORDER BY用于全局排序，就是对指定的所有排序键进行全局排序，使用ORDER BY的查询语句，最后会用一个Reduce Task来完成全局排序。
SORT BY用于分区内排序，即每个Reduce任务内排序。
看下面的例子：
原表数据为：

hive> select * from lxw1234_com;OK5362981

使用ORDER BY

hive> select * from lxw1234_com order by id;1235689

使用SORT BY

hive> set mapred.reduce.tasks=2;
hive> select * from lxw1234_com sort by id;
2
5
6
9
1
3
8

设定了2个reduce，从结果可以看出，每个reduce内做了排序。
如果reduce数为1，那么ORDER BY和SORT BY的结果是一样的：

hive> set mapred.reduce.tasks=1;hive> select * from lxw1234_com sort by id;1235689

真实业务环境中，我们的需求大多需要使用ORDER BY全局排序来完成。

8.3 DISTRIBUTE BY和CLUSTER BY

distribute by：按照指定的字段或表达式对数据进行划分，输出到对应的Reduce或者文件中。
cluster by：除了兼具distribute by的功能，还兼具sort by的排序功能。

##distribute by

    hive> set mapred.reduce.tasks=2;    hive>INSERT overwrite LOCAL directory '/tmp/lxw1234/'    SELECT id FROM lxw1234_com    distribute BY id;

执行后在本地的/tmp/lxw1234目录中生成了000000_0和000001_0两个文件：
cat 000000_0
8
2
6
cat 000001_0 ##id%2=1的记录
1
9
3
5

##cluster by

    hive> set mapred.reduce.tasks=2;    hive> INSERT overwrite LOCAL directory '/tmp/lxw1234/'    SELECT id FROM lxw1234_com    CLUSTER BY id;    cat 000000_0    2    6    8    cat 000001_0    1    3    5    9

注意：使用cluster by之后，每个文件中的id都进行了排序，而distribute by没有。

8.4 子查询

子查询和标准SQL中的子查询语法和用法基本一致，需要注意的是，Hive中如果是从一个子查询进行SELECT查询，那么子查询必须设置一个别名。

    SELECT col    FROM (    SELECT a+b AS col    FROM t1    ) t2

另外，从Hive0.13开始，在WHERE子句中也支持子查询，比如：

    SELECT *    FROM A    WHERE A.a IN (SELECT foo FROM B);         SELECT A    FROM T1    WHERE EXISTS (SELECT B FROM T2 WHERE T1.X = T2.Y)

还有一种将子查询作为一个表的语法，叫做Common Table Expression（CTE）：

    with q1 as (select * from src where key= '5'),    q2 as (select * from src s2 where key = '4')    select * from q1 union all select * from q2;         with q1 as ( select key, value from src where key = '5')    from q1    insert overwrite table s1    select *;

8.5 虚拟列

Hive查询中有两个虚拟列：
INPUT__FILE__NAME：数据对应的HDFS文件名；
BLOCK__OFFSET__INSIDE__FILE：该行记录在文件中的偏移量；

    hive> select id,INPUT__FILE__NAME, BLOCK__OFFSET__INSIDE__FILE from lxw1234_com;    5 hdfs://cdh5/tmp/lxw1234/1.txt 0    3 hdfs://cdh5/tmp/lxw1234/1.txt 2    6 hdfs://cdh5/tmp/lxw1234/1.txt 4    2 hdfs://cdh5/tmp/lxw1234/1.txt 6    9 hdfs://cdh5/tmp/lxw1234/1.txt 8    8 hdfs://cdh5/tmp/lxw1234/1.txt 10    1 hdfs://cdh5/tmp/lxw1234/1.txt 12

Hive查询中还包括：
Hive的内置操作和函数： http://lxw1234.com/archives/2015/06/251.htm
Hive窗口分析函数：http://lxw1234.com/archives/tag/hive-window-functions

 

 

Hive相关文章（持续更新）：

一起学Hive系列

—-Hive概述，Hive是什么

—-Hive函数大全-完整版

—-Hive中的数据库(Database)和表(Table)

—-Hive的安装配置

—-Hive的视图和分区

—-Hive的动态分区

—-向Hive表中加载数据

Hive分析函数系列

Hive索引

hive优化之——控制hive任务中的map数和reduce数