Hive学习总结 - 码农教程

一、Hive基本概念

Hive：由Facebook开源用于解决海量结构化日志的数据统计工具。

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。

本质是：将HQL转化成MapReduce程序

1）Hive处理的数据存储在HDFS

2）Hive分析数据底层的实现是MapReduce

3）执行程序运行在Yarn上

1.优点

1) 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）。

2) 避免了去写MapReduce，减少开发人员的学习成本。

3) Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合。

4) Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高。

5) 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。

2.缺点

2.1 Hive的HQL表达能力有限　　

（1）迭代式算法无法表达

（2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。

2.2 Hive的效率比较低

（1）Hive自动生成的MapReduce作业，通常情况下不够智能化

（2）Hive调优比较困难，粒度较粗

3.架构原理

1．用户接口：Client

CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）

2．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

3．Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

4．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。

二、Hive数据类型

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。

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() 例如struct<street:string, city:string>
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() 例如map<string, int>
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() 例如array<string>

　　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。

实例↓

创建本地测试文件test.txt

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

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“_”。

Hive上创建表test

0: jdbc:hive2://hadoop102:10000> create table test(
0: jdbc:hive2://hadoop102:10000> name string,
0: jdbc:hive2://hadoop102:10000> friends array<string>,
0: jdbc:hive2://hadoop102:10000> children map<string, int>,
0: jdbc:hive2://hadoop102:10000> address struct<street:string, city:string>
0: jdbc:hive2://hadoop102:10000> )
0: jdbc:hive2://hadoop102:10000> row format delimited fields terminated by ','
0: jdbc:hive2://hadoop102:10000> collection items terminated by '_'
0: jdbc:hive2://hadoop102:10000> map keys terminated by ':'
0: jdbc:hive2://hadoop102:10000> lines terminated by '\n';

字段解释：

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

0: jdbc:hive2://hadoop102:10000> select friends[1],children['xiao song'],address.city from test where name ="songsong";
+-------+------+----------+--+
|  _c0  | _c1  |   city   |
+-------+------+----------+--+
| lili  | 18   | beijing  |
+-------+------+----------+--+
1 row selected (0.221 seconds)

三、DDL数据定义

3.1创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];

数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。

3.2查看数据库详情

1.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

2.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

3.3 创建表

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]
[TBLPROPERTIES (property_name=property_value, ...)]
[AS select_statement]

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，在建表的同时可以指定一个指向实际数据的路径（LOCATION），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，对桶中的一个或多个列另外排序

（7）ROW FORMAT

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, ...)]

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。

SerDe是Serialize/Deserilize的简称， hive使用Serde进行行对象的序列与反序列化。

（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）AS：后跟查询语句，根据查询结果创建表。

（11）LIKE允许用户复制现有的表结构，但是不复制数据。

1.管理表

　　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.外部表

　　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。

管理表与外部表的互相转换

（1）查询表的类型

hive (default)> desc formatted student2; Table Type: MANAGED_TABLE

（2）修改内部表student2为外部表

alter table student2 set tblproperties('EXTERNAL'='TRUE');

（3）查询表的类型

hive (default)> desc formatted student2;
Table Type:             EXTERNAL_TABLE

（4）修改外部表student2为内部表

alter table student2 set tblproperties('EXTERNAL'='FALSE');

（5）查询表的类型

hive (default)> desc formatted student2;
Table Type:             MANAGED_TABLE

注意：('EXTERNAL'='TRUE')和('EXTERNAL'='FALSE')为固定写法，区分大小写！

3.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。

1）创建分区表语法

0: jdbc:hive2://hadoop102:10000> create table dept_partition(
0: jdbc:hive2://hadoop102:10000> deptno int, dname string, loc string
0: jdbc:hive2://hadoop102:10000> )
0: jdbc:hive2://hadoop102:10000> partitioned by (month string)
0: jdbc:hive2://hadoop102:10000> row format delimited fields terminated by '\t';

2）插入数据

0: jdbc:hive2://hadoop102:10000> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition partition(month='202003');
INFO  : Loading data to table tee.dept_partition partition (month=202003) from file:/opt/module/datas/dept.txt
INFO  : Partition tee.dept_partition{month=202003} stats: [numFiles=1, numRows=0, totalSize=71, rawDataSize=0]
No rows affected (0.973 seconds)
0: jdbc:hive2://hadoop102:10000> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition partition(month='202002');
INFO  : Loading data to table tee.dept_partition partition (month=202002) from file:/opt/module/datas/dept.txt
INFO  : Partition tee.dept_partition{month=202002} stats: [numFiles=1, numRows=0, totalSize=71, rawDataSize=0]
No rows affected (0.731 seconds)
0: jdbc:hive2://hadoop102:10000> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition partition(month='202001');
INFO  : Loading data to table tee.dept_partition partition (month=202001) from file:/opt/module/datas/dept.txt
INFO  : Partition tee.dept_partition{month=202001} stats: [numFiles=1, numRows=0, totalSize=71, rawDataSize=0]
No rows affected (0.788 seconds)

如图

3）单分区查询

0: jdbc:hive2://hadoop102:10000> select * from dept_partition where month = '202003';
+------------------------+-----------------------+---------------------+-----------------------+--+
| dept_partition.deptno  | dept_partition.dname  | dept_partition.loc  | dept_partition.month  |
+------------------------+-----------------------+---------------------+-----------------------+--+
| 10                     | ACCOUNTING            | 1700                | 202003                |
| 20                     | RESEARCH              | 1800                | 202003                |
| 30                     | SALES                 | 1900                | 202003                |
| 40                     | OPERATIONS            | 1700                | 202003                |
+------------------------+-----------------------+---------------------+-----------------------+--+
4 rows selected (0.82 seconds)

4）多分区查询

0: jdbc:hive2://hadoop102:10000> select * from dept_partition where month='202002'
0: jdbc:hive2://hadoop102:10000> union
0: jdbc:hive2://hadoop102:10000> select * from dept_partition where month='202003'
0: jdbc:hive2://hadoop102:10000> union
0: jdbc:hive2://hadoop102:10000> select * from dept_partition where month='202001';
INFO  : Number of reduce tasks not specified. Estimated from input data size: 1
INFO  : In order to change the average load for a reducer (in bytes):
INFO  :   set hive.exec.reducers.bytes.per.reducer=<number>
INFO  : In order to limit the maximum number of reducers:
INFO  :   set hive.exec.reducers.max=<number>
INFO  : In order to set a constant number of reducers:
INFO  :   set mapreduce.job.reduces=<number>
INFO  : number of splits:2
INFO  : Submitting tokens for job: job_1585055784337_0003
INFO  : The url to track the job: http://hadoop103:8088/proxy/application_1585055784337_0003/
INFO  : Starting Job = job_1585055784337_0003, Tracking URL = http://hadoop103:8088/proxy/application_1585055784337_0003/
INFO  : Kill Command = /opt/module/hadoop-2.7.4/bin/hadoop job  -kill job_1585055784337_0003
INFO  : Hadoop job information for Stage-1: number of mappers: 2; number of reducers: 1
INFO  : 2020-03-25 00:04:07,057 Stage-1 map = 0%,  reduce = 0%
INFO  : 2020-03-25 00:04:19,579 Stage-1 map = 50%,  reduce = 0%, Cumulative CPU 3.21 sec
INFO  : 2020-03-25 00:04:21,900 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 6.36 sec
INFO  : 2020-03-25 00:04:29,718 Stage-1 map = 100%,  reduce = 100%, Cumulative CPU 10.04 sec
INFO  : MapReduce Total cumulative CPU time: 10 seconds 40 msec
INFO  : Ended Job = job_1585055784337_0003
INFO  : Number of reduce tasks not specified. Estimated from input data size: 1
INFO  : In order to change the average load for a reducer (in bytes):
INFO  :   set hive.exec.reducers.bytes.per.reducer=<number>
INFO  : In order to limit the maximum number of reducers:
INFO  :   set hive.exec.reducers.max=<number>
INFO  : In order to set a constant number of reducers:
INFO  :   set mapreduce.job.reduces=<number>
INFO  : number of splits:2
INFO  : Submitting tokens for job: job_1585055784337_0004
INFO  : The url to track the job: http://hadoop103:8088/proxy/application_1585055784337_0004/
INFO  : Starting Job = job_1585055784337_0004, Tracking URL = http://hadoop103:8088/proxy/application_1585055784337_0004/
INFO  : Kill Command = /opt/module/hadoop-2.7.4/bin/hadoop job  -kill job_1585055784337_0004
INFO  : Hadoop job information for Stage-2: number of mappers: 2; number of reducers: 1
INFO  : 2020-03-25 00:04:46,436 Stage-2 map = 0%,  reduce = 0%
INFO  : 2020-03-25 00:05:05,903 Stage-2 map = 100%,  reduce = 0%, Cumulative CPU 13.36 sec
INFO  : 2020-03-25 00:05:18,364 Stage-2 map = 100%,  reduce = 100%, Cumulative CPU 17.86 sec
INFO  : MapReduce Total cumulative CPU time: 17 seconds 860 msec
INFO  : Ended Job = job_1585055784337_0004
+-------------+-------------+----------+------------+--+
| _u3.deptno  |  _u3.dname  | _u3.loc  | _u3.month  |
+-------------+-------------+----------+------------+--+
| 10          | ACCOUNTING  | 1700     | 202001     |
| 10          | ACCOUNTING  | 1700     | 202002     |
| 10          | ACCOUNTING  | 1700     | 202003     |
| 20          | RESEARCH    | 1800     | 202001     |
| 20          | RESEARCH    | 1800     | 202002     |
| 20          | RESEARCH    | 1800     | 202003     |
| 30          | SALES       | 1900     | 202001     |
| 30          | SALES       | 1900     | 202002     |
| 30          | SALES       | 1900     | 202003     |
| 40          | OPERATIONS  | 1700     | 202001     |
| 40          | OPERATIONS  | 1700     | 202002     |
| 40          | OPERATIONS  | 1700     | 202003     |
+-------------+-------------+----------+------------+--+
12 rows selected (87.011 seconds)

4.DML数据操作

4.1 向表中装载数据（Load）

1．语法

hive> load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partition (partcol1=val1,…)];

（1）load data:表示加载数据

（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

2．实操案例

（0）创建一张表

hive (default)> create table student(id string, name string) row format delimited fields terminated by '\t';

（1）加载本地文件到hive

hive (default)> load data local inpath '/opt/module/datas/student.txt' into table default.student;

（2）加载HDFS文件到hive中

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
hive (default)> load data inpath '/user/atguigu/hive/student.txt' into table default.student;

（3）加载数据覆盖表中已有的数据

上传文件到HDFS

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;

加载数据覆盖表中已有的数据

hive (default)> load data inpath '/user/atguigu/hive/student.txt' overwrite into table default.student;

通过查询语句向表中插入数据（Insert）

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';

insert into：以追加数据的方式插入到表或分区，原有数据不会删除

insert overwrite：会覆盖表或分区中已存在的数据

注意：insert不支持插入部分字段

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;

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 external table if not exists student5(
              id int, name string
              )
              row format delimited fields terminated by '\t'
              location '/student;

4.2 数据导出

Insert导出

1．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;

2．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;

3．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.其他重点

1.Limit语句

2.分桶表

3.行转列、列转行

4.窗口函数over()

5.Rank

6.文件存储格式

原文地址：https://www.cnblogs.com/g-cl/p/12558754.html