大数据技术之 Hive

一、Hive基本概念

1.1 什么是 Hive

1、 hive 简介
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。
2、 Hive 本质：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

1.2 Hive的优缺点

1.2.1 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。

1.2.2 缺点

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、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

1.3 Hive架构原理

Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver，结合元数据(MetaStore)，将这些指令翻译成 MapReduce，提交到 Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。
**

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。

1.4 Hive和数据库比较

由于 Hive采用了类似 SQL的查询语言 HQL(Hive Query Language)，因此很容易将 Hive理解为数据库。其实从结构上来看，Hive和数据库除了拥有类似的查询语言，再无类似之处，Hive是为数据仓库而设计的。

1.4.1 查询语言

由于 SQL被广泛的应用在数据仓库中，因此，专门针对 Hive的特性设计了类 SQL的查询语言 HQL。熟悉 SQL开发的开发者可以很方便的使用 Hive进行开发。

1.4.2 数据更新

由于 Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES添加数据，使用 UPDATE … SET修改数据。

1.4.3 执行延迟

Hive在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive执行延迟高的因素是 MapReduce框架。由于 MapReduce本身具有较高的延迟，因此在利用 MapReduce执行 Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

1.4.4 数据规模

由于 Hive建立在集群上并可以利用 MapReduce进行并行计算，因此可以支持很大规模的数据；对应的数据库可以支持的数据规模较小。

二、Hive安装

2.1 MySql安装

1、下载安装包 mysql-5.7.34-linux-glibc2.12-x86_64.tar.gz

2、将文件下载后上传到nano（master）主机的/opt/software目录下

3、安装
（1）将mysql安装到/opt/module目录下

（2）安装后目录名较长，更改目录名

（3）添加mysql用户和组
mysql在安装的时候需要创建mysql组和mysql用户。

（4）创建目录并赋予权限
此目录为mysql数据库文件目录，将数据库放到/var/lib/mysql（自定义）目录下，此目录不存在，创建目录。


（5）配置my.cnf

内容如下：
[mysqld]
user=mysql
basedir=/opt/module/mysql-5.7.34
datadir=/var/lib/mysql
socket=/var/lib/mysql/mysql.sock
#character config
character_set_server=utf8mb4
# Disabling symbolic-links is recommended to prevent assorted security risks
symbolic-links=0

[mysqld_safe]
log-error=/var/lib/mysql/mysql.err
pid-file=/var/lib/mysql/mysql.pid

[client]
port=3306
socket=/var/lib/mysql/mysql.sock

（6）初始化数据库
进入mysql的bin目录

（7）修改密码
在启动mysql前先将mysql.server放置到/etc/init.d/mysql中

启动mysql
启动mysql：service mysql start
停止mysql：service mysql stop

登录mysql

修改登录密码

配置远程连接

在windows用navicate连接mysql

大功告成！

2.2 Hive安装

1、下载安装包apache-hive-3.1.2-bin.tar.gz
2、将安装包上传到nano(master)的/opt/software目录下
3、安装
1、解压安装包到/opt/module目录下

2、更改目录名

3、配置环境变量
（1）配置PATH

（2）重置PATH

4、配置元数据到MySql
（1）下载 MySQL的 JDBC驱动程序mysql-connector-java-5.1.37.jar
https://pan.baidu.com/s/1j0xc68_W9lNZU7RjLG2p3Q
提取码：vkj8

（2）将 MySQL的 JDBC驱动上传到 Hive的 lib目录下

（3）在$HIVE_HOME/conf目录下新建 hive-site.xml文件

添加如下内容
<?xml version=”1.0”?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>



javax.jdo.option.ConnectionURL
jdbc:mysql://master:3306/metastore?useSSL=false



javax.jdo.option.ConnectionDriverName
com.mysql.jdbc.Driver



javax.jdo.option.ConnectionUserName
root



javax.jdo.option.ConnectionPassword root



hive.metastore.schema.verification
false



hive.metastore.event.db.notification.api.auth
false

hive.metastore.warehouse.dir
/user/hive/warehouse


（4）启动mysql，在mysql新建 Hive元数据库


（5）初始化元数据库


（6）启动Hive
先启动hadoop，再启动Hive。

（7）测试
创建数据库和数据表




打开hadoop，查看数据文件

大功告成！

三、Hive数据类型

3.1基本数据类型

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。

3.2集合数据类型

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。
1、案例实操
（1）假设某表有如下一行，我们用 JSON格式来表示其数据结构。在 Hive下访问的格式为

（2）基于上述数据结构，我们在 Hive里创建对应的表，并导入数据。
创建本地测试文件 test.txt
songsong,bingbinglili,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“”。
（3）Hive上创建测试表 test
create table test(
name string,
friends array,
children map,
address struct
)
row format delimited fields terminated by ‘,’ collection items terminated by ‘‘ map keys terminated by ‘:’
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
（4）导入文本数据到测试表
load data local inpath ‘/opt/module/hive/datas/test.txt’ into table test;
（5）访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT的访问方式
hive (default)> select friends[1],children[‘xiao song’],address.city from test
where name=”songsong”;
OK
_c0 _c1 city
lili 18 beijing
Time taken: 0.076 seconds, Fetched: 1 row(s)

3.3类型转化

Hive的原子数据类型是可以进行隐式转换的，类似于 Java的类型转换，例如某表达式使用 INT类型，TINYINT会自动转换为 INT类型，但是 Hive不会进行反向转化，例如，某表达式使用 TINYINT类型，INT不会自动转换为 TINYINT类型，它会返回错误，除非使用 CAST操作。
1、隐式类型转换规则如下
（1）任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT可以转换成INT，INT可以转换成 BIGINT。
（2）所有整数类型、FLOAT和 STRING类型都可以隐式地转换成 DOUBLE。
（3）TINYINT、SMALLINT、INT都可以转换为 FLOAT。
（4）BOOLEAN类型不可以转换为任何其它的类型。
2、可以使用 CAST操作显示进行数据类型转换
例如 CAST(‘1’ AS INT)将把字符串’1’转换成整数 1；如果强制类型转换失败，如执行
CAST(‘X’ AS INT)，表达式返回空值 NULL。
0: jdbc:hive2://hadoop102:10000> select ‘1’+2, cast(‘1’as int) + 2; +———+———+—+
| _c0 | _c1 |
+———+———+—+
|3.0 |3 |
+———+———+—+

四、DDL数据定义

4.1创建数据库

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

1）创建一个数据库，数据库在 HDFS上的默认存储路径是/user/hive/warehouse/*.db。

hive (default)> create database db_hive;

2）避免要创建的数据库已经存在错误，增加 if not exists判断。（标准写法）

hive (default)> create database db_hive; FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists hive (default)> create database if not exists db_hive;

3）创建一个数据库，指定数据库在 HDFS上存放的位置

hive (default)> create database db_hive2 location ‘/db_hive2.db’;

4.2查询数据库

4.2.1显示数据库

1）显示数据库
hive> show databases;
2）过滤显示查询的数据库
hive> show databases like ‘db_hive*’;

4.2.2查看数据库详情

1）显示数据库信息
hive> desc database db_hive;
2）显示数据库详细信息，extended
hive> desc database extended db_hive

4.2.3切换当前数据库

hive (default)> use db_hive;

4.3修改数据库

用户可以使用 ALTER DATABASE命令为某个数据库的 DBPROPERTIES设置键-值对属性值，
来描述这个数据库的属性信息。
hive (default)> alter database db_hive set dbproperties(‘createtime’=’20170830’);
在 hive中查看修改结果

4.4删除数据库

1）删除空数据库
hive>drop database db_hive2;
2）如果删除的数据库不存在，最好采用 if exists判断数据库是否存在
hive> drop database db_hive;
FAILED: SemanticException [Error 10072]: Database does not exist: db_hive hive> drop database if exists db_hive2;
3）如果数据库不为空，可以采用 cascade命令，强制删除
hive> drop database db_hive;

4.5创建表

1、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]

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

2、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。

4.5.1管理表

1、理论
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、案例实操

（0）原始数据

1001 ss1

1002 ss2

1003 ss3

1004 ss4

1005 ss5

1006 ss6

1007 ss7

1008 ss8

1009 ss9

1010 ss10

1011 ss11

1012 ss12

1013 ss13

1014 ss14

1015 ss15

1016 ss16
（1）普通创建表
create table if not exists student(
id int, name string
)
row format delimited fields terminated by ‘\t’ stored as textfile
location ‘/user/hive/warehouse/student’;
（2）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 student2 as select id, name from student;
（3）根据已经存在的表结构创建表
create table if not exists student3 like student;
（4）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE

4.5.2外部表

1）理论
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。
2）管理表和外部表的使用场景
每天将收集到的网站日志定期流入 HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过 SELECT+INSERT进入内部表。
3）案例实操
分别创建部门和员工外部表，并向表中导入数据。
（0）原始数据

dept:

10 ACCOUNTING 1700

20 RESEARCH 1800

30 SALES 1900

40 OPERATIONS 1700

emp：

（1）上传数据到 HDFS

hive (default)> dfs -mkdir /student;

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

（2）建表语句，创建外部表

创建部门表

create external table if not exists dept(

deptno int,

dname string,

loc int

)
row format delimited fields terminated by ‘\t’;
创建员工表
create external table if not exists emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double,
deptno int)
row format delimited fields terminated by ‘\t’;
（3）查看创建的表
hive (default)>show tables;
（4）查看表格式化数据
hive (default)> desc formatted dept;
Table Type: EXTERNAL_TABLE
（5）删除外部表
hive (default)> drop table dept;
外部表删除后，hdfs中的数据还在，但是 metadata中 dept的元数据已被删除

4.5.3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！

4.6修改表

4.6.1重命名表

1、语法

ALTER TABLE table_name RENAME TO new_table_name

2、实操案例

hive (default)> alter table dept_partition2 rename to dept_partition3;

4.6.2增加/修改/替换列信息

1、语法

（1）更新列

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

（2）增加和替换列

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。

2、实操案例

（1）查询表结构

hive> desc dept;

（2）添加列

hive (default)> alter table dept add columns(deptdesc string);

（3）查询表结构

hive> desc dept;

（4）更新列

hive (default)> alter table dept change column deptdesc desc string;

（5）查询表结构

hive> desc dept;

（6）替换列

hive (default)> alter table dept replace columns(deptno string, dname string, loc string);

（7）查询表结构

hive> desc dept;

4.7删除表

hive (default)> drop table dept;

五、DML数据操作

5.1数据导入

5.1.1向表中装载数据（Load）

1、语法

hive> load data [local] inpath ‘数据的 path’ [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/hive/datas/student.txt’ into table default.student;

（2）加载 HDFS文件到 hive中

上传文件到 HDFS

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

加载 HDFS上数据

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/data/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;

5.1.2通过查询语句向表中插入数据（Insert）

1）创建一张表

hive (default)> create table student_par(id int, name string) row format delimited fields terminated by ‘\t’;

2）基本插入数据

hive (default)> insert into table student_par values(1,’wangwu’),(2,’zhaoliu’);

3）基本模式插入（根据单张表查询结果）

hive (default)> insert overwrite table student_par

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：会覆盖表中已存在的数据

注意：insert不支持插入部分字段

4）多表（多分区）插入模式（根据多张表查询结果）

hive (default)> from student

insert overwrite table student partition(month=’201707’)

select id, name where month=’201709’

insert overwrite table student partition(month=’201706’)

select id, name where month=’201709’;

5.1.3查询语句中创建表并加载数据（As Select）

详见 4.5.1章创建表。

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;

5.1.4创建表时通过 Location指定加载数据路径

1）上传数据到 hdfs上

hive (default)> dfs -mkdir /student;

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

2）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;

3）查询数据

hive (default)> select * from student5;

5.1.5 Import数据到指定 Hive表中

注意：先用 export导出后，再将数据导入。

hive (default)> import table student2

from ‘/user/hive/warehouse/export/student’;

5.2数据导出

5.2.1 Insert导出

1）将查询的结果导出到本地

hive (default)> insert overwrite local directory ‘/opt/module/hive/data/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/hive/data/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;

5.2.2 Hadoop命令导出到本地

hive (default)> dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;

5.2.3 Hive Shell命令导出

基本语法：（hive -f/-e执行语句或者脚本 > file）

[atguigu@hadoop102 hive]$ bin/hive -e ‘select * from default.student;’ > /opt/module/hive/data/export/student4.txt;

5.2.4 Export导出到 HDFS上

(defahiveult)> export table default.student to ‘/user/hive/warehouse/export/student’;

export和 import主要用于两个 Hadoop平台集群之间 Hive表迁移。

5.2.5 Sqoop导出

后续课程专门讲。

5.2.6清除表中数据（Truncate）

注意：Truncate只能删除管理表，不能删除外部表中数据

hive (default)> truncate table student;

六、DQL查询

查询语句语法：

SELECT [ALL | DISTINCT] select_expr, select_expr, …

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list]

[ORDER BY col_list]

[CLUSTER BY col_list

| [DISTRIBUTE BY col_list] [SORT BY col_list]

]

[LIMIT number]

6.1基本查询（Select…From）

6.1.1全表和特定列查询

0）数据准备

（0）原始数据

dept:

10 ACCOUNTING 1700

20 RESEARCH 1800

30 SALES 1900

40 OPERATIONS 1700

emp：

（1）创建部门表

create table if not exists dept(

deptno int,

dname string,

loc int

)

row format delimited fields terminated by ‘\t’;

（2）创建员工表

create table if not exists emp(

empno int,

ename string,

job string,

mgr int,

hiredate string,

sal double,

comm double,

deptno int)

row format delimited fields terminated by ‘\t’;

（3）导入数据

load data local inpath ‘/opt/module/datas/dept.txt’ into table dept;

load data local inpath ‘/opt/module/datas/emp.txt’ into table emp;

1）全表查询

hive (default)> select * from emp;

hive (default)> select empno,ename,job,mgr,hiredate,sal,comm,deptno from emp ;

2）选择特定列查询

hive (default)> select empno, ename from emp;

注意：

（1）SQL语言大小写不敏感。

（2）SQL可以写在一行或者多行

（3）关键字不能被缩写也不能分行

（4）各子句一般要分行写。

（5）使用缩进提高语句的可读性。

6.1.2列别名

1）重命名一个列

2）便于计算

3）紧跟列名，也可以在列名和别名之间加入关键字‘AS’

4）案例实操

查询名称和部门

hive (default)> select ename AS name, deptno dn from emp;

6.1.3算术运算符

运算符

A+B A和B相加

A-B A减去B

A*B A和B相乘

A/B A除以B

A%B A对B取余

A&B A和B按位取与

A|B A和B按位取或

A^B A和 B按位取异或

~A A 按位取反

案例实操：查询出所有员工的薪水后加 1显示。

hive (default)> select sal +1 from emp;

6.1.4常用函数

1）求总行数（count）

hive (default)> select count(*) cnt from emp;

2）求工资的最大值（max）

hive (default)> select max(sal) max_sal from emp;

3）求工资的最小值（min）

hive (default)> select min(sal) min_sal from emp;

4）求工资的总和（sum）

hive (default)> select sum(sal) sum_sal from emp;

5）求工资的平均值（avg）

hive (default)> select avg(sal) avg_sal from emp;

6.1.5 Limit语句

典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。

hive (default)> select * from emp limit 5;

hive (default)> select * from emp limit 2;

6.1.6 Where语句

1）使用 WHERE子句，将不满足条件的行过滤掉

2）WHERE子句紧随 FROM子句

3）案例实操

查询出薪水大于 1000的所有员工

hive (default)> select * from emp where sal >1000;

注意：where子句中不能使用字段别名。

6.1.7比较运算符（Between/In/ Is Null）

1）下面表中描述了谓词操作符，这些操作符同样可以用于 JOIN…ON和 HAVING语句中。

2）案例实操

（1）查询出薪水等于 5000的所有员工

hive (default)> select * from emp where sal =5000;

（2）查询工资在 500到 1000的员工信息

hive (default)> select * from emp where sal between 500 and 1000;

（3）查询 comm为空的所有员工信息

hive (default)> select * from emp where comm is null;

（4）查询工资是 1500或 5000的员工信息

hive (default)> select * from emp where sal IN (1500, 5000);

6.1.8 Like和 RLike

1）使用 LIKE运算选择类似的值

2）选择条件可以包含字符或数字:

% 代表零个或多个字符(任意个字符)。

_代表一个字符。

3）RLIKE子句

RLIKE子句是 Hive中这个功能的一个扩展，其可以通过 Java的正则表达式这个更强大

的语言来指定匹配条件。

4）案例实操

（1）查找名字以 A开头的员工信息

hive (default)> select * from emp where ename LIKE ‘A%’;

（2）查找名字中第二个字母为 A的员工信息

hive (default)> select * from emp where ename LIKE ‘_A%’;

（3）查找名字中带有 A的员工信息

hive (default)> select * from emp where ename RLIKE ‘[A]’;

6.1.9逻辑运算符（And/Or/Not）

操作符 含义

AND 逻辑并

OR 逻辑或

NOT 逻辑否

1）案例实操

（1）查询薪水大于 1000，部门是 30

hive (default)> select * from emp where sal>1000 and deptno=30;

（2）查询薪水大于 1000，或者部门是 30

hive (default)> select * from emp where sal>1000 or deptno=30;

（3）查询除了 20部门和 30部门以外的员工信息

hive (default)> select * from emp where deptno not IN(30, 20);

6.2分组

6.2.1 Group By语句

GROUP BY语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然

后对每个组执行聚合操作。

1）案例实操：

（1）计算 emp表每个部门的平均工资

hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

（2）计算 emp每个部门中每个岗位的最高薪水

hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by

t.deptno, t.job;

6.2.2 Having语句

1）having与 where不同点

（1）where后面不能写分组函数，而 having后面可以使用分组函数。

（2）having只用于 group by分组统计语句。

2）案例实操

（1）求每个部门的平均薪水大于 2000的部门

求每个部门的平均工资

hive (default)> select deptno, avg(sal) from emp group by deptno;

求每个部门的平均薪水大于 2000的部门

hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

6.3 Join语句

6.3.1等值 Join

Hive支持通常的 SQL JOIN语句。

1）案例实操

（1）根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称；

hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e

join dept d on e.deptno = d.deptno;

6.3.2表的别名

1）好处

（1）使用别名可以简化查询。

（2）使用表名前缀可以提高执行效率。

2）案例实操

合并员工表和部门表

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

6.3.3内连接

内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

6.3.4左外连接

左外连接：JOIN操作符左边表中符合 WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

6.3.5右外连接

右外连接：JOIN操作符右边表中符合 WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

6.3.6满外连接

满外连接：将会返回所有表中符合 WHERE语句条件的所有记录。如果任一表的指定字

段没有符合条件的值的话，那么就使用 NULL值替代。

hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

6.3.7多表连接

注意：连接 n个表，至少需要 n-1个连接条件。例如：连接三个表，至少需要两个连接

条件。

数据准备

1700 Beijing

1800 London

1900 Tokyo

1）创建位置表

create table if not exists location(

loc int,

loc_name string

)

row format delimited fields terminated by ‘\t’;

2）导入数据

hive (default)> load data local inpath ‘/opt/module/datas/location.txt’ into table location;

3）多表连接查询

hive (default)>SELECT e.ename, d.dname, l.loc_name

大多数情况下，Hive会对每对 JOIN连接对象启动一个 MapReduce任务。本例中会首先启动一个 MapReduce job对表 e和表 d进行连接操作，然后会再启动一个 MapReduce job将第一个 MapReduce job的输出和表 l;进行连接操作。

注意：为什么不是表 d和表 l先进行连接操作呢？这是因为 Hive总是按照从左到右的

顺序执行的。

优化：当对 3个或者更多表进行 join连接时，如果每个 on子句都使用相同的连接键的

话，那么只会产生一个 MapReduce job。

6.3.8笛卡尔积

1）笛卡尔集会在下面条件下产生

（1）省略连接条件

（2）连接条件无效

（3）所有表中的所有行互相连接

2）案例实操

hive (default)> select empno, dname from emp, dept;

6.4排序

6.4.1全局排序（Order By）

Order By：全局排序，只有一个 Reducer

1）使用 ORDER BY子句排序

ASC（ascend）:升序（默认）

DESC（descend）:降序

2）ORDER BY子句在 SELECT语句的结尾

3）案例实操

（1）查询员工信息按工资升序排列

hive (default)> select * from emp order by sal;

（2）查询员工信息按工资降序排列

hive (default)> select * from emp order by sal desc;

6.4.2按照别名排序

按照员工薪水的 2倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal;

6.4.3多个列排序

按照部门和工资升序排序

hive (default)> select ename, deptno, sal from emp order by deptno, sal;

6.4.4每个 Reduce内部排序（Sort By）

Sort By：对于大规模的数据集 order by的效率非常低。在很多情况下，并不需要全局排

序，此时可以使用sort by。

Sort by为每个 reducer产生一个排序文件。每个 Reducer内部进行排序，对全局结果集

来说不是排序。

1）设置 reduce个数

hive (default)> set mapreduce.job.reduces=3;

2）查看设置 reduce个数

hive (default)> set mapreduce.job.reduces;

3）根据部门编号降序查看员工信息

hive (default)> select * from emp sort by deptno desc;

4）将查询结果导入到文件中（按照部门编号降序排序）

hive (default)> insert overwrite local directory ‘/opt/module/data/sortby-result’

select * from emp sort by deptno desc;

七、Mybatis连接Hive

7.1 hiveserver2

7.1.1 hiveserver2简介

hiveserver2是Hive启动了一个server，客户端可以使用JDBC协议，通过IP+ Port的方式对其进行访问，达到并发访问的目的。

1.在应用端不用部署Hadoop和Hive客户端；
2. 相比hive-cli方式，HiveServer2不用直接将HDFS和Metastore暴漏给用户；
3. 有安全认证机制，并且支持自定义权限校验；
4. 有HA机制，解决应用端的并发和负载均衡问题；
5. JDBC方式，可以使用任何语言，方便与应用进行数据交互；
6. 从2.0开始，HiveServer2提供了WEB UI。

7.1.2 hiveserver2的配置和启动

1、配置hive-site.xml
配置文件放在hive目录的conf下

内容：


hive.server2.thrift.port
10000


hive.server2.thrift.bind.host
master



javax.jdo.option.ConnectionUserName
root


javax.jdo.option.ConnectionPassword
root


2、配置hadoop集群的core-site.xml文件
配置文件放在hadoop目录的etc/hadoop下

内容：


hadoop.proxyuser.root.hosts



hadoop.proxyuser.root.groups




hadoop.proxyuser.hadoop.hosts



hadoop.proxyuser.hadoop.groups


配置完成后，将core-site.xml文件分发到集群的其它节点

3、启动hiveserver2

这个时候你的页面会一直卡在这里,这是正常的,因为你是启动了一个服务，如需操作你只需要再开一个Xshell窗口连接即可。

7.2 Springboot+Mybatis连接Hive

7.2.1 创建hive仓库

1、创建数据库和表
在/opt/data目录下创建数据表DDL文件calllog.sql

内容如下：
CREATE EXTERNAL TABLE calllog (
caller varchar(11) ,
callee varchar(11) ,
call_time varchar(30) ,
duration int
)
row format delimited fields terminated by ‘,’ stored as textfile;
2、创建数据库
启动Mysql


3、向数据表导入数据
在/opt/data目录下创建数据文件calllog.txt

内容如下：
18000696806,15151889601,2019/10/07 10:46:02,430
18301930136,15810092493,2019/12/03 09:08:08,1137
15733218050,18332562075,2018/07/25 09:52:30,1170
18301589432,15732648446,2018/10/09 10:09:22,181
15732648446,15338595369,2018/07/28 07:28:10,1398
13269361119,13560190665,2018/03/22 11:15:26,159
18301589432,15902136987,2019/06/08 10:47:06,777

启动hive

查看表

导入数据

7.2.2 Springboot配置

1、导入jar包

org.apache.hive
hive-jdbc
2.1.1


org.eclipse.jetty.aggregate




org.eclipse.jetty.orbit



javax.servlet
servlet-api


org.mortbay.jetty




2、application.yml文件配置
# 配置tomcat端口号
server:
port: 8088
# spring整合Mybatis
spring:
datasource:
# 数据池
type: com.zaxxer.hikari.HikariDataSource
# 驱动程序
driver-class-name: org.apache.hive.jdbc.HiveDriver
# url
url: jdbc:hive2://master:10000/default
# 用户名和密码
username: root
password: root
hikari:
# 池中维护的最小连接数
minimum-idle: 10
# 池中最大连接数，包括闲置和使用的连接数
maxmum-pool-size: 20
# 池中连接最长生命周期，默认为30分钟
max-lifetime: 1800000
# 自动提交,默认自动提交
auto-commit: true
# 允许最长空闲时间
idle-timeout: 30000
# 数据库连接超时时间，默认为30秒
connection-timeout: 30000
mybatis:

# 映射文件的保存位置
mapper-locations: classpath:mapper/.xml
# 调试时从控制台输出sql日志，正式发布时不用设置
configuration:
log-impl: org.apache.ibatis.logging.stdout.StdOutImpl
3、CallLog实体类
import java.io.Serializable;
/
通话记录
@author ke
@version 1.0
@date 2021-9-14
*/
public class CallLog implements Serializable{

/

/
private static final long serialVersionUID = 1L;
/
主叫号码
/
private String caller;
/
被叫号码
/
private String callee;
/
通话时间
/
private String time;
/
通话时长
/
private Integer duration;



public String getCaller() {
return caller;
}
public void setCaller(String caller) {
this.caller = caller;
}
public String getCallee() {
return callee;
}
public void setCallee(String callee) {
this.callee = callee;
}
public String getTime() {
return time;
}
public void setTime(String time) {
this.time = time;
}
public Integer getDuration() {
return duration;
}
public void setDuration(Integer duration) {
this.duration = duration;
}
}
4、Dao接口
import java.util.List;

import org.apache.ibatis.annotations.Mapper;
import org.jbit.hivedemo.entity.CallLog;

@Mapper
public interface CallLogDao {
/*
查询所有记录
@return
@throws Exception
/
List selectAll() throws Exception;

}
5、Mapper文件
<?xml version=”1.0” encoding=”UTF-8”?>
<!DOCTYPE mapper PUBLIC “-//mybatis.org//DTD Mapper 3.0//EN”
“http://mybatis.org/dtd/mybatis-3-mapper.dtd”>









select from calllog

6、测试文件
@RunWith(SpringJUnit4ClassRunner.class)
@SpringBootTest
public class CallLogDaoTest {
@Autowired
private CallLogDao callLogDao;
@Test
public void test1() throws Exception{
List list = callLogDao.selectAll();
for(CallLog callLog : list){
System.out.println(callLog.getCaller()+”\t”+callLog.getCallee()+”\t”+callLog.getTime()+”\t”+callLog.getDuration());
}
}
}
测试结果