第一部分 Hive概述
1.Hive生产背景
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(类似于RDBMS中的表)，并提供类SQL查询功能；Hive是由Facebook开源，用于解决海量结构化日志的数据统计。
Hive的本质：将SQL转换成MR任务的工具，底层由HDFS提供数据存储
数据仓库(Data Warehouse)是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，主要用于管理决策。—-比尔恩门 1991
2.Hive与RDBMS对比
从结构上看Hive与传统关系型数据库除了拥有类似的查询语言，再无类似之处
- 查询语言相似HQL<=>SQL高度相似
- 数据规模：Hive存储海量数据；RDBMS处理有限的数据集
- 执行引擎：Hive使用MR,Tez,Spark,Flink;RDBMS使用自己的执行引擎
- 数据存储：HIVE保存在HDFS上；RDBMS保存在本地文件系统或裸设备
- 执行速度：Hive相对慢（MR和数据量影响）；RDBMS相对快；
- 可扩展性：Hive支持水平扩展；通常RDBMS支持垂直扩展，对水平扩展不友好
- 数据更新：Hive对数据更新不友好；RDBMS支持频繁，快速的数据更新
3.Hive的优缺点
优点：学习成本低，能处理海量数据，系统可水平扩展，功能可扩展（允许用户自定义函数），良好的容错性（某个节点发生故障，HQL仍然可以正常完成），统一的元数据管理
缺点：HQL表达能力有限，迭代计算无法表达，Hive的执行效率不高，自动生成MR作业有时会不够智能，调优困难4.Hive架构
1.用户接口CLI(Common Line Interface):Hive的命令行，用于接收HQL，并返回结果；WebUI：是指可通过浏览器访问Hive；
2.Thrift Server:可选组件，允许客户端通过编程方式远程访问Hive；
3.元数据管理（MetaStore）:将将元数据存储在关系数据库中(如mysql、derby)。Hive的元数据包括：数据库名、表名及类型、字段名称及数据类型、数据所在位置等；
4.驱动程序（Driver）:
解析器 (SQLParser) ：使用第三方工具（antlr）将HQL字符串转换成抽象语法树（AST）；
对AST进行语法分析，比如字段是否存在、SQL语义是否有误、表是否存在；
编译器 (Compiler) ：将抽象语法树编译生成逻辑执行计划；
优化器 (Optimizer) ：对逻辑执行计划进行优化，减少不必要的列、使用分区等；
执行器 (Executr) ：把逻辑执行计划转换成可以运行的物理计划；第二部分 Hive的安装与配置
1.Hive安装配置
Hive官网：http://hive.apache.org
下载网址：http://archive.apache.org/dist/hive/
文档网址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual
安装前提：3台虚拟机，安装了Hadoop
安装软件：Hive(2.3.7) + MySQL (5.7.26)
备注：Hive的元数据默认存储在自带的 derby 数据库中，生产中多采用MySQL；derby：java语言开发占用资源少，单进程，单用户。仅仅适用于个人的测试。
# hive安装包apache-hive-2.3.7-bin.tar.gz# MySQL安装包mysql-5.7.26-1.el7.x86_64.rpm-bundle.tar# MySQL的JDBC驱动程序mysql-connector-java-5.1.46.jar# 整体的安装步骤：1、安装MySQL2、安装配置Hive3、Hive添加常用配置
1.1Mysql安装
Hive中使用MySQL存储元数据，MySQL的版本 5.7.26。安装步骤：
1、删除MariaDB1、环境准备(删除有冲突的依赖包、安装必须的依赖包) 2、安装MySQL 3、修改root口令(找到系统给定的随机口令、修改口令) 4、在数据库中创建hive用户
centos7.6自带的 MariaDB(MariaDB是MySQL的一个分支)，与要安装的MySQL有冲突，需要删除。
2.安装依赖# 查询是否安装了mariadb rpm -aq | grep mariadb # 删除mariadb。-e 删除指定的套件；--nodeps 不验证套件的相互关联性 rpm -e --nodeps mariadb-libs
3.安装Mysqlyum install perl -y yum install net-tools -y
4.启动数据库# 接压缩 tar xvf mysql-5.7.26-1.el7.x86_64.rpm-bundle.tar # 依次运行以下命令 rpm -ivh mysql-community-common-5.7.26-1.el7.x86_64.rpm rpm -ivh mysql-community-libs-5.7.26-1.el7.x86_64.rpm rpm -ivh mysql-community-client-5.7.26-1.el7.x86_64.rpm rpm -ivh mysql-community-server-5.7.26-1.el7.x86_64.rpm
5.查找root密码systemctl start mysqld
6.修改root口令grep password /var/log/mysqld.log
validate_password_policy 密码策略(默认是1)，可配置的值有以下：# 进入MySQL，使用前面查询到的口令 mysql -u root -p # 设置口令强度；将root口令设置为12345678；刷新 set global validate_password_policy=0; set password for 'root'@'localhost' =password('12345678'); flush privileges;
0 or LOW 仅需需符合密码长度（由参数validate_password_length【默认为8】指定）
1 or MEDIUM 满足LOW策略，同时还需满足至少有1个数字，小写字母，大写字母和特殊字符
2 or STRONG 满足MEDIUM策略，同时密码不能存在字典文件（dictionary file）中
备注：个人开发环境，出于方便的目的设比较简单的密码；生产环境一定要设复杂密码！
7.创建hive用户-- 创建用户设置口令、授权、刷新 CREATE USER 'hive'@'%' IDENTIFIED BY '12345678'; GRANT ALL ON *.* TO 'hive'@'%'; FLUSH PRIVILEGES;1.2 Hive安装
1.下载Hive软件，并解压缩安装步骤： 1、下载、上传、解压缩 2、修改环境变量 3、修改hive配置 4、拷贝JDBC的驱动程序 5、初始化元数据库
2.修改环境变量cd /opt/lagou/software tar zxvf apache-hive-2.3.7-bin.tar.gz -C ../servers/ cd ../servers mv apache-hive-2.3.7-bin hive-2.3.7
3.修改hive配置#在 /etc/profile 文件中增加环境变量 export HIVE_HOME=/opt/lagou/servers/hive-2.3.7 export PATH=$PATH:$HIVE_HOME/bin # 执行并生效 source /etc/profile
cd $HIVE_HOME/conf vi hive-site.xml 增加以下内容：
备注：<?xml version="1.0" encoding="UTF-8" standalone="no"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <!-- hive元数据的存储位置 --> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://linux123:3306/hivemetadata? createDatabaseIfNotExist=true&useSSL=false</value> <description>JDBC connect string for a JDBC metastore</description> </property> <!-- 指定驱动程序 --> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> <!-- 连接数据库的用户名 --> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>hive</value> <description>username to use against metastore database</description> </property> <!-- 连接数据库的口令 --> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>12345678</value> <description>password to use against metastore database</description> </property> </configuration>
注意jdbc的连接串，如果没有 useSSL=false 会有大量警告
在xml文件中 & 表示 &
4、拷贝 MySQL JDBC 驱动程序将 mysql-connector-java-5.1.46.jar 拷贝到 $HIVE_HOME/lib
5、初始化元数据库
6、启动Hive，执行命令[root@linux123 ~]$ schematool -dbType mysql -initSchema# 启动hive服务之前，请先启动hdfs、yarn的服务 [root@linux123 ~]$ hive hive> show functions;1.3、Hive 属性配置
可在 hive-site.xml 中增加以下常用配置，方便使用。
数据存储位置
显示当前库<property> <!-- 数据默认的存储位置(HDFS) --> <name>hive.metastore.warehouse.dir</name> <value>/user/hive/warehouse</value> <description>location of default database for the warehouse</description> </property>
显示表头属性<property> <!-- 在命令行中，显示当前操作的数据库 --> <name>hive.cli.print.current.db</name> <value>true</value> <description>Whether to include the current database in the Hive prompt.</description> </property>
本地模式<property> <!-- 在命令行中，显示数据的表头 --> <name>hive.cli.print.header</name> <value>true</value> </property>
备注：当 Hive 的输入数据量非常小时，Hive 通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间会明显被缩短。<property> <!-- 操作小规模数据时，使用本地模式，提高效率 --> <name>hive.exec.mode.local.auto</name> <value>true</value> <description>Let Hive determine whether to run in local mode automatically</description> </property>
当一个job满足如下条件才能真正使用本地模式：
job的输入数据量必须小于参数：hive.exec.mode.local.auto.inputbytes.max(默认128MB)
job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max (默认4)
job的reduce数必须为0或者1
Hive的日志文件
Hive的log默认存放在 /tmp/root 目录下（root为当前用户名）；这个位置可以修改。
Hadoop 2.x 中 NameNode RPC缺省的端口号：8020vi $HIVE_HOME/conf/hive-log4j2.properties # 添加以下内容： property.hive.log.dir = /opt/lagou/servers/hive-2.3.7/logs1.4 参数配置方式
查看参数配置信息：
参数配置的三种方式：-- 查看全部参数 hive> set; -- 查看某个参数 hive> set hive.exec.mode.local.auto; hive.exec.mode.local.auto=false
1.配置文件的放式1、用户自定义配置文件(hive-site.xml) 2、启动hive时指定参数(-hiveconf) 3、hive命令行指定参数(set) 配置信息的优先级： set > -hiveconf > hive-site.xml > hive-default.xml
默认配置文件：hive-defalut.xml
用户自定义配置文件：hive-site.xml
配置优先级：hive-site.xml>hive-default.xml
配置文件的设定对本机启动的所有Hive进程有效；
2.启动时指定参数值
启动Hive时，可以在命令行添加 -hiveconf param=value 来设定参数，这些设定仅对本次启动有效。
3.命令行修改参数# 启动时指定参数 hive -hiveconf hive.exec.mode.local.auto=true # 在命令行检查参数是否生效 hive> set hive.exec.mode.local.auto; hive.exec.mode.local.auto=true
可在 Hive 命令行中使用SET关键字设定参数，同样仅对本次启动有效hive> set hive.exec.mode.local.auto=false; hive> set hive.exec.mode.local.auto; hive.exec.mode.local.auto=false2.hive命令
-e：不进入hive交互窗口，执行sql语句
-f:执行脚本中的sql语句hive -e "select * from users"
退出hive命令行# 创建文件hqlfile1.sql，内容：select * from users # 执行文件中的SQL语句 hive -f hqlfile1.sql # 执行文件中的SQL语句，将结果写入文件 hive -f hqlfile1.sql >> result1.logexit;quit;
在命令行中执行shell命令/dfs命令hive> ! ls; hive> ! clear; hive> dfs -ls / ;第三部分 数据类型与文件格式
1.基本数据类型及转换
1.1数据类型的隐式转换
Hive 中基本数据类型遵循以下层次结构，按照这个层次结构，子类型到祖先类型允许隐式转换。
总的来说数据转换遵循以下规律：hive> select '1.0'+2; OK 3.0 hive> select '1111' > 10; hive> select 1 > 0.8;1.3数据类型的显示转换
使用cast函数进行强制类型转换；如果强制类型转换失败，返回NULLhive> select cast('1111s' as int); OK NULL hive> select cast('1111' as int); OK 11112.集合数据类型
Hive支持集合数据类型，包括array、map、struct、union
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；hive> select array(1,2,3); OK [1,2,3] -- 使用 [] 访问数组元素 hive> select arr[0] from (select array(1,2,3) arr) tmp; hive> select map('a', 1, 'b', 2, 'c', 3); OK {"a":1,"b":2,"c":3} -- 使用 [] 访问map元素 hive> select mymap["a"] from (select map('a', 1, 'b', 2, 'c', 3) as mymap) tmp; -- 使用 [] 访问map元素。 key 不存在返回 NULL hive> select mymap["x"] from (select map('a', 1, 'b', 2, 'c', 3) as mymap) tmp; NULL hive> select struct('username1', 7, 1288.68); OK {"col1":"username1","col2":7,"col3":1288.68} -- 给 struct 中的字段命名 hive> select named_struct("name", "username1", "id", 7, "salary", 12880.68); OK {"name":"username1","id":7,"salary":12880.68} -- 使用 列名.字段名 访问具体信息 hive> select userinfo.id > from (select named_struct("name", "username1", "id", 7, "salary", 12880.68) userinfo) tmp; -- union 数据类型 hive> select create_union(0, "zhansan", 19, 8000.88) uinfo;3.文本文件数据编码
Hive默认分隔符:
字段之间：^A
元素之间: ^B
key-value之间：^Cid name age hobby(array) score(map) 666^Alisi^A18^Aread^Bgame^Ajava^C97^Bhadoop^C87 create table s1( id int, name string, age int, hobby array<string>, score map<string, int> ); load data local inpath '/home/hadoop/data/s1.dat' into table s1; select * from s1;
在加载数据的过程中，Hive 不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。
将 Hive 数据导出到本地时，系统默认的分隔符是^A、^B、^C 这些特殊字符，使用cat 或者 vim 是看不到的；
在 vi 中输入特殊字符：(Ctrl + v) + (Ctrl + a) => ^A(Ctrl + v) + (Ctrl + b) => ^B(Ctrl + v) + (Ctrl + c) => ^C4.读时模式
写时模式：在传统数据库中，在加载时发现数据不符合表的定义，则拒绝加载数据。数据在写入数据库时对照表模式进行检查
读时模式：Hive在加载数据时不进行数据格式的校验，读取数据时如果不合法则显示NULL。这种模式的优点是加载数据迅速。第四部分 HQL操作之—DDL命令
DDL（data definition language）： 主要的命令有CREATE、ALTER、DROP等。1.数据库操作
Hive有一个默认的数据库default，在操作HQL时，如果不明确的指定要使用哪个库，则使用默认数据库；
备注：
Hive的数据库名、表名均不区分大小写；
名字不能使用数字开头；
不能使用关键字，尽量不使用特殊符号；
创建数据库语法 ```sql CREATE (DATABASE|SCHEMA) [IF NOT EXISTS] database_name [COMMENT database_comment] [LOCATION hdfs_path] [MANAGEDLOCATION hdfs_path] [WITH DBPROPERTIES (property_name=property_value, …)];
— 创建数据库，在HDFS上存储路径为 /user/hive/warehouse/*.db hive (default)> create database mydb; hive (default)> dfs -ls /user/hive/warehouse; — 避免数据库已经存在时报错，使用 if not exists 进行判断【标准写法】 hive (default)> create database if not exists mydb; — 创建数据库。添加备注，指定数据库在存放位置 hive (default)> create database if not exists mydb2 comment ‘this is mydb2’ location ‘/user/hive/mydb2.db’;
**查看数据库**
```sql
-- 查看所有数据库
show database;
-- 查看数据库信息
desc database mydb2;
desc database extended mydb2;
describe database extended mydb2;
使用数据库
use mydb;
删除数据库
-- 删除一个空数据库
drop database databasename;
-- 如果数据库不为空，使用 cascade 强制删除
drop database databasename cascade;
2.建表语法
create [external] table [IF NOT EXISTS] table_name
[(colName colType [comment 'comment'], ...)]
[comment table_comment]
[partition by (colName colType [comment col_comment], ...)]
[clustered BY (colName, colName, ...)
[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];
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS]
[db_name.]table_name
LIKE existing_table_or_view_name
[LOCATION hdfs_path];
- CREATE TABLE。按给定名称创建表，如果表已经存在则抛出异常。可使用if not exists 规避。
2. EXTERNAL关键字。创建外部表，否则创建的是内部表(管理表)。
删除内部表时，数据和表的定义同时被删除；
删除外部表时，仅仅删除了表的定义，数据保留；
在生产环境中，多使用外部表；
3. comment。表的注释
4. partition by。对表中数据进行分区，指定表的分区字段
5. clustered by。创建分桶表，指定分桶字段
6. sorted by。对桶中的一个或多个列排序，较少使用
7. 存储子句。
建表时可指定 SerDe 。如果没有指定 ROW FORMAT 或者 ROW FORMATDELIMITED，将会使用默认的 SerDe。建表时还需要为表指定列，在指定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。hive使用Serde进行行对象的序列与反序列化。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, ...)]
8. stored as SEQUENCEFILE|TEXTFILE|RCFILE。如果文件数据是纯文本，可以使用 STORED AS TEXTFILE（缺省）；如果数据需要压缩，使用 STORED AS SEQUENCEFILE（二进制序列文件）。
9. LOCATION。表在HDFS上的存放位置
10. TBLPROPERTIES。定义表的属性
11. AS。后面可以接查询语句，表示根据后面的查询结果创建表
12. LIKE。like 表名，允许用户复制现有的表结构，但是不复制数据3.内部表（管理表）&外部表
在创建表的时候，可指定表的类型。
默认情况下，创建内部表。如果要创建外部表，需要使用关键字 external
在删除内部表时，表的定义(元数据) 和 数据 同时被删除
在删除外部表时，仅删除表的定义，数据被保留
在生产环境中，多使用外部表
内部表
t1.dat文件内容
建表sql2;zhangsan;book,TV,code;beijing:chaoyang,shagnhai:pudong 3;lishi;book,code;nanjing:jiangning,taiwan:taibei 4;wangwu;music,book;heilongjiang:haerbin
外部表-- 创建内部表 create table t1( id int, name string, hobby array<string>, addr map<string, string> ) row format delimited fields terminated by ";" collection items terminated by "," map keys terminated by ":"; -- 显示表的定义，显示的信息较少 desc t1; -- 显示表的定义，显示的信息多，格式友好 desc formatted t1; -- 加载数据 load data local inpath '/home/hadoop/data/t1.dat' into table t1; -- 查询数据 select * from t1; -- 查询数据文件 dfs -ls /user/hive/warehouse/mydb.db/t1; -- 删除表。表和数据同时被删除 drop table t1; -- 再次查询数据文件，已经被删除
内部表和外部表转换-- 创建外部表 create external table t2( id int, name string, hobby array<string>, addr map<string, string> ) row format delimited fields terminated by ";" collection items terminated by "," map keys terminated by ":"; -- 显示表的定义 desc formatted t2; -- 加载数据 load data local inpath '/home/hadoop/data/t1.dat' into table t2; -- 查询数据 select * from t2; -- 删除表。表删除了，目录仍然存在 drop table t2; -- 再次查询数据文件，仍然存在-- 创建内部表，加载数据，并检查数据文件和表的定义 create table t1( id int, name string, hobby array<string>, addr map<string, string> ) row format delimited fields terminated by ";" collection items terminated by "," map keys terminated by ":"; load data local inpath '/home/hadoop/data/t1.dat' into table t1; dfs -ls /user/hive/warehouse/mydb.db/t1; desc formatted t1; -- 内部表转外部表 alter table t1 set tblproperties('EXTERNAL'='TRUE'); -- 查询表信息，是否转换成功 desc formatted t1; -- 外部表转内部表。EXTERNAL 大写，false 不区分大小 alter table t1 set tblproperties('EXTERNAL'='FALSE'); -- 查询表信息，是否转换成功 desc formatted t1;4.分区表
Hive引入了分区表的概念，将表的数据存储在不同的子目录中，每一个子目录对应一个分区。只查询部分分区数
据时，可避免全表扫描，提高查询效率。在实际中，通常根据时间、地区等信息进行分区。
分区表创建和数据加载
分区字段不是表中已经存在的数据，可以将分区字段看成伪列-- 创建表 create table if not exists t3( id int ,name string ,hobby array<string> ,addr map<String,string> ) partitioned by (dt string) row format delimited fields terminated by ';' collection items terminated by ',' map keys terminated by ':'; -- 加载数据。 load data local inpath "/home/hadoop/data/t1.dat" into table t3 partition(dt="2020-06-01"); load data local inpath "/home/hadoop/data/t1.dat" into table t3 partition(dt="2020-06-02");
查看分区
新增分区并设置数据show partitions t3;
修改分区的hdfs路径-- 增加一个分区，不加载数据 alter table t3 add partition(dt='2020-06-03'); -- 增加多个分区，不加载数据 alter table t3 add partition(dt='2020-06-05') partition(dt='2020-06-06'); -- 增加多个分区。准备数据 hdfs dfs -cp /user/hive/warehouse/mydb.db/t3/dt=2020-06-01 /user/hive/warehouse/mydb.db/t3/dt=2020-06-07 hdfs dfs -cp /user/hive/warehouse/mydb.db/t3/dt=2020-06-01 /user/hive/warehouse/mydb.db/t3/dt=2020-06-08 -- 增加多个分区。加载数据 alter table t3 add partition(dt='2020-06-07') location '/user/hive/warehouse/mydb.db/t3/dt=2020-06-07' partition(dt='2020-06-08') location '/user/hive/warehouse/mydb.db/t3/dt=2020-06-08'; -- 查询数据 select * from t3;
删除分区alter table t3 partition(dt='2020-06-01') set location '/user/hive/warehouse/t3/dt=2020-06-03';-- 可以删除一个或多个分区，用逗号隔开 alter table t3 drop partition(dt='2020-06-03'), partition(dt='2020-06-04');5.分桶表
当单个的分区或者表的数据量过大，分区不能更细粒度的划分数据，就需要使用分桶技术将数据划分成更细的粒度。
分桶的原理：
MR中：key.hashCode % reductTask
Hive中：分桶字段.hashCode % 分桶个数-- 测试数据 1 java 90 1 c 78 1 python 91 1 hadoop 80 2 java 75 2 c 76 2 python 80 2 hadoop 93 3 java 98 3 c 74 3 python 89 3 hadoop 91 5 java 93 6 c 76 7 python 87 8 hadoop 88
分桶规则：分桶字段.hashCode % 分桶数-- 创建分桶表 create table course( id int, name string, score int ) clustered by (id) into 3 buckets row format delimited fields terminated by "\t"; -- 创建普通表 create table course_common( id int, name string, score int ) row format delimited fields terminated by "\t"; -- 普通表加载数据 load data local inpath '/home/hadoop/data/course.dat' into table course_common; -- 通过 insert ... select ... 给桶表加载数据 insert into table course select * from course_common; -- 观察分桶数据。数据按照：(分区字段.hashCode) % (分桶数) 进行分区
分桶表加载数据时，使用 insert… select … 方式进行
网上有资料说要使用分区表需要设置 hive.enforce.bucketing=true，那是Hive 1.x 以前的版本；Hive 2.x 中，删除了该参数，始终可以分桶；6.修改表&删除表
-- 修改表名。rename alter table course_common rename to course_common1; -- 修改列名。change column alter table course_common1 change column id cid int; -- 修改字段类型。change column alter table course_common1 change column cid cid string; -- The following columns have types incompatible with the existing columns in their respective positions -- 修改字段数据类型时，要满足数据类型转换的要求。如int可以转为string，但是 string不能转为int -- 增加字段。add columns alter table course_common1 add columns (common string); -- 删除字段：replace columns -- 这里仅仅只是在元数据中删除了字段，并没有改动hdfs上的数据文件 alter table course_common1 replace columns( id string, cname string, score int); -- 删除表 drop table course_common1;第五部分HQL操作之—数据操作
1.数据导入
装载数据（load）
LOCAL：
LOAD DATA LOCAL … 从本地文件系统加载数据到Hive表中。本地文件会拷贝到Hive表指定的位置
LOAD DATA … 从HDFS加载数据到Hive表中。HDFS文件移动到Hive表指定的位置
INPATH：加载数据的路径
OVERWRITE：覆盖表中已有数据；否则表示追加数据
PARTITION：将数据加载到指定的分区
准备工作：
装载数据：-- 创建表 CREATE TABLE tabA ( id int ,name string ,area string ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ; 数据文件（~/data/sourceA.txt）： 1,fish1,SZ 2,fish2,SH 3,fish3,HZ 4,fish4,QD 5,fish5,SR -- 拷贝文件到 HDFS hdfs dfs -put sourceA.txt data/-- 加载本地文件到hive(tabA) LOAD DATA LOCAL INPATH '/home/hadoop/data/sourceA.txt' INTO TABLE tabA; -- 检查本地文件还在 -- 加载hdfs文件到hive(tabA) LOAD DATA INPATH 'data/sourceA.txt' INTO TABLE tabA; -- 检查HDFS文件，已经被转移 -- 加载数据覆盖表中已有数据 LOAD DATA INPATH 'data/sourceA.txt' OVERWRITE INTO TABLE tabA;
插入数据（insert）-- 创建表时加载数据 hdfs dfs -mkdir /user/hive/tabB hdfs dfs -put sourceA.txt /user/hive/tabB CREATE TABLE tabB ( id INT ,name string ,area string ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' Location '/user/hive/tabB';
创建表并插入数据（as select ）-- 创建分区表 CREATE TABLE tabC ( id INT ,name string ,area string ) partitioned by (month string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; -- 插入数据 insert into table tabC partition(month='202001') values (5, 'wangwu', 'BJ'), (4, 'lishi', 'SH'), (3, 'zhangsan', 'TJ'); -- 插入查询的结果数据 insert into table tabC partition(month='202002') select id, name, area from tabC where month='202001'; -- 多表（多分区）插入模式 from tabC insert overwrite table tabC partition(month='202003') select id, name, area where month='202002' insert overwrite table tabC partition(month='202004') select id, name, area where month='202002';
使用import导入数据-- 根据查询结果创建表 create table if not exists tabD as select * from tabC;import table student2 partition(month='201709') from '/user/hive/warehouse/export/student';2.数据导出
-- 将查询结果导出到本地 insert overwrite local directory '/home/hadoop/data/tabC' select * from tabC; -- 将查询结果格式化输出到本地 insert overwrite local directory '/home/hadoop/data/tabC2' row format delimited fields terminated by ' ' select * from tabC; -- 将查询结果导出到HDFS insert overwrite directory '/user/hadoop/data/tabC3' row format delimited fields terminated by ' ' select * from tabC; -- dfs 命令导出数据到本地。本质是执行数据文件的拷贝 dfs -get /user/hive/warehouse/mydb.db/tabc/month=202001 /home/hadoop/data/tabC4 -- hive 命令导出数据到本地。执行查询将查询结果重定向到文件 hive -e "select * from tabC" > a.log -- export 导出数据到HDFS。使用export导出数据时，不仅有数还有表的元数据信息 export table tabC to '/user/hadoop/data/tabC4'; -- export 导出的数据，可以使用 import 命令导入到 Hive 表中 -- 使用 like tname创建的表结构与原表一致。create ... as select ... 结构可能不一致 create table tabE like tabc; import table tabE from ''/user/hadoop/data/tabC4'; -- 截断表，清空数据。(注意：仅能操作内部表) truncate table tabE; -- 以下语句报错，外部表不能执行 truncate 操作 alter table tabC set tblproperties("EXTERNAL"="TRUE"); truncate table tabC;第六部分 HQL操作之—DQL命令（重点）
DQL — Data Query Language 数据查询语言
SQL语句书写注意事项：
SQL语句对大小写不敏感
SQL语句可以写一行（简单SQL）也可以写多行(复杂SQL)
关键字不能缩写，也不能分行
各子句一般要分行
使用缩进格式，提高SQL语句的可读性(重要)
创建表，加载数据 ```sql — 测试数据 /home/hadoop/data/emp.dat 7369,SMITH,CLERK,7902,2010-12-17,800,,20 7499,ALLEN,SALESMAN,7698,2011-02-20,1600,300,30 7521,WARD,SALESMAN,7698,2011-02-22,1250,500,30 7566,JONES,MANAGER,7839,2011-04-02,2975,,20 7654,MARTIN,SALESMAN,7698,2011-09-28,1250,1400,30 7698,BLAKE,MANAGER,7839,2011-05-01,2850,,30 7782,CLARK,MANAGER,7839,2011-06-09,2450,,10 7788,SCOTT,ANALYST,7566,2017-07-13,3000,,20 7839,KING,PRESIDENT,,2011-11-07,5000,,10 7844,TURNER,SALESMAN,7698,2011-09-08,1500,0,30 7876,ADAMS,CLERK,7788,2017-07-13,1100,,20 7900,JAMES,CLERK,7698,2011-12-03,950,,30 7902,FORD,ANALYST,7566,2011-12-03,3000,,20 7934,MILLER,CLERK,7782,2012-01-23,1300,,10
— 建表并加载数据 CREATE TABLE emp ( empno int, ename string, job string, mgr int, hiredate DATE, sal int, comm int, deptno int )row format delimited fields terminated by “,”; — 加载数据 LOAD DATA LOCAL INPATH ‘/home/hadoop/data/emp.dat’ INTO TABLE emp;
<a name="BAJEH"></a>
## 1.基本查询
```sql
-- 省略from子句的查询
select 8*888 ;
select current_date ;
-- 使用列别名
select 8*888 product;
select current_date as currdate;
-- 全表查询
select * from emp;
-- 选择特定列查询
select ename, sal, comm from emp;
-- 使用函数
select count(*) from emp;
-- count(colname) 按字段进行count，不统计NULL
select sum(sal) from emp;
select max(sal) from emp;
select min(sal) from emp;
select avg(sal) from emp;
-- 使用limit子句限制返回的行数
select * from emp limit 3;
2.where子句
where子句紧随From子句，过滤不满足条件的数据;
where 子句中不能使用列的别名；
逻辑运算法
-- 比较运算符，null参与运算
select null=null;
select null==null;
select null<=>null;
-- 使用 is null 判空
select * from emp where comm is null;
-- 使用 in
select * from emp where deptno in (20, 30);
-- 使用 between ... and ...
select * from emp where sal between 1000 and 2000;
-- 使用 like
select ename, sal from emp where ename like '%L%';
-- 使用 rlike。正则表达式，名字以A或S开头
select ename, sal from emp where ename rlike '^(A|S).*';
通常情况下NULL参与运算，返回值为NULL；NULL<=>NULL的结果为true
3.group by子句
GROUP BY语句通常与聚组函数一起使用，按照一个或多个列对数据进行分组，对每个组进行聚合操作。
-- 计算emp表每个部门的平均工资
select deptno, avg(sal)
from emp
group by deptno;
-- 计算emp每个部门中每个岗位的最高薪水
select deptno, job, max(sal)
from emp
group by deptno, job;
- where子句针对表中的数据发挥作用；having针对查询结果（聚组以后的结果）发挥作用
- where子句不能有分组函数；having子句可以有分组函数
- having只用于group by分组统计之后
-- 求每个部门的平均薪水大于2000的部门 select deptno, avg(sal) from emp group by deptno having avg(sal) > 2000;4.表连接
Hive支持通常的SQL JOIN语句。默认情况下，仅支持等值连接，不支持非等值连接。
JOIN 语句中经常会使用表的别名。使用别名可以简化SQL语句的编写，使用表名前缀可以提高SQL的解析效率。
连接查询操作分为两大类：内连接和外连接，而外连接可进一步细分为三种类型： ```sql
- 内连接: [inner] join
- 外连接 (outer join)
- 左外连接。 left [outer] join，左表的数据全部显示
- 右外连接。 right [outer] join，右表的数据全部显示
全外连接。 full [outer] join，两张表的数据都显示
<br />案例演示： ```sql -- 准备数据 u1.txt数据： 1,a 2,b 3,c 4,d 5,e 6,f u2.txt数据： 4,d 5,e 6,f 7,g 8,h 9,i create table if not exists u1( id int, name string) row format delimited fields terminated by ','; create table if not exists u2( id int, name string) row format delimited fields terminated by ','; load data local inpath '/home/hadoop/data/u1.txt' into table u1; load data local inpath '/home/hadoop/data/u2.txt' into table u2;-- 内连接 select * from u1 join u2 on u1.id = u2.id; -- 左外连接 select * from u1 left join u2 on u1.id = u2.id; -- 右外连接 select * from u1 right join u2 on u1.id = u2.id; -- 全外连接 select * from u1 full join u2 on u1.id = u2.id;多表连接连接 n张表，至少需要 n-1 个连接条件。例如：连接四张表，至少需要三个连接条件。
多表连接查询，查询老师对应的课程，以及对应的分数，对应的学生：select * from techer t left join course c on t.t_id = c.t_id left join score s on s.c_id = c.c_id left join student stu on s.s_id = stu.s_id;Hive总是按照从左到右的顺序执行，Hive会对每对 JOIN 连接对象启动一个MapReduce 任务。
上面的例子中会首先启动一个 MapReduce job 对表 t 和表 c 进行连接操作；然后再启动一个 MapReduce job 将第一个 MapReduce job 的输出和表 s 进行连接操作；然后再继续直到全部操作；
笛卡尔积
满足以下条件将会产生笛卡尔集：没有连接条件
- 连接条件无效
- 所有表中的所有行互相连接
如果表A、B分别有M、N条数据，其笛卡尔积的结果将有 M*N 条数据；缺省条件下hive不支持笛卡尔积运算；
set hive.strict.checks.cartesian.product=false;
select * from u1, u2;
5.排序子句（重点）
全局排序（order by）
order by 子句出现在select语句的结尾；
order by子句对最终的结果进行排序；
默认使用升序(ASC)；可以使用DESC，跟在字段名之后表示降序；
ORDER BY执行全局排序，只有一个reduce；
-- 普通排序
select * from emp order by deptno;
-- 按别名排序
select empno, ename, job, mgr, sal + nvl(comm, 0) salcomm, deptno
from emp
order by salcomm desc;
-- 多列排序
select empno, ename, job, mgr, sal + nvl(comm, 0) salcomm, deptno
from emp
order by deptno, salcomm desc;
-- 排序字段要出现在select子句中。以下语句无法执行（因为select子句中缺少deptno）：
select empno, ename, job, mgr, sal + nvl(comm, 0) salcomm
from emp
order by deptno, salcomm desc;
每个MR内部排序（sort by）
在很多业务场景，我们并不需要全局有序的数据，此时可以使用sort by；sort by为每个reduce产生一个排序文件，在reduce内部进行排序，得到局部有序的结果；
-- 设置reduce个数
set mapreduce.job.reduces=2;
-- 按照工资降序查看员工信息
select * from emp sort by sal desc;
-- 将查询结果导入到文件中（按照工资降序）。生成两个输出文件，每个文件内部数据按
工资降序排列
insert overwrite local directory '/home/hadoop/output/sortsal'
select * from emp sort by sal desc;
分区排序(distribute by)
distribute by 类似于MR中的分区操作，可以结合sort by操作，使分区数据有序；distribute by 要写在sort by之前；
-- 启动2个reducer task；先按 deptno 分区，在分区内按 sal+comm 排序
set mapreduce.job.reduces=2;
-- 将结果输出到文件，观察输出结果
insert overwrite local directory '/home/hadoop/output/distBy'
select empno, ename, job, deptno, sal + nvl(comm, 0) salcomm
from emp
distribute by deptno
sort by salcomm desc;
-- 上例中，数据被分到了统一区，看不出分区的结果
-- 将数据分到3个区中，每个分区都有数据
set mapreduce.job.reduces=3;
insert overwrite local directory '/home/hadoop/output/distBy1'
select empno, ename, job, deptno, sal + nvl(comm, 0) salcomm
from emp
distribute by deptno
sort by salcomm desc;
Cluster By
当distribute by 与 sort by是同一个字段时，可使用cluster by简化语法；cluster by 只能是升序，不能指定排序规则；
-- 语法上是等价的
select * from emp distribute by deptno sort by deptno;
select * from emp cluster by deptno;
排序小结：
order by。执行全局排序，效率低。生产环境中慎用
sort by。使数据局部有序(在reduce内部有序)
distribute by。按照指定的条件将数据分组，常与sort by联用，使数据局部有序
cluster by。当distribute by 与 sort by是同一个字段时，可使用cluster by简化语法
第七部分 函数
Hive内置函数：
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF#LanguageManualUDF-Built-inFunctions
1.系统内置函数
1.1查看系统函数
-- 查看系统自带函数
show functions;
-- 显示自带函数的用法
desc function upper;
desc function extended upper;
1.2日期函数（重要）
-- 当前前日期
select current_date;
select unix_timestamp();
-- 建议使用current_timestamp，有没有括号都可以
select current_timestamp();
-- 时间戳转日期
select from_unixtime(1505456567);
select from_unixtime(1505456567, 'yyyyMMdd');
select from_unixtime(1505456567, 'yyyy-MM-dd HH:mm:ss');
-- 日期转时间戳
select unix_timestamp('2019-09-15 14:23:00');
-- 计算时间差
select datediff('2020-04-18','2019-11-21');
select datediff('2019-11-21', '2020-04-18');
-- 查询当月第几天
select dayofmonth(current_date);
-- 计算月末:
select last_day(current_date);
-- 当月第1天:
select date_sub(current_date, dayofmonth(current_date)-1)
-- 下个月第1天:
select add_months(date_sub(current_date,
dayofmonth(current_date)-1), 1)
-- 字符串转时间（字符串必须为：yyyy-MM-dd格式）
select to_date('2020-01-01');
select to_date('2020-01-01 12:12:12');
-- 日期、时间戳、字符串类型格式化输出标准时间格式
select date_format(current_timestamp(), 'yyyy-MM-dd HH:mm:ss');
select date_format(current_date(), 'yyyyMMdd');
select date_format('2020-06-01', 'yyyy-MM-dd HH:mm:ss');
-- 计算emp表中，每个人的工龄
select *, round(datediff(current_date, hiredate)/365,1)
workingyears from emp;
1.3字符串函数
-- 转小写。lower
select lower("HELLO WORLD");
-- 转大写。upper
select lower(ename), ename from emp;
-- 求字符串长度。length
select length(ename), ename from emp;
-- 字符串拼接。 concat / ||
select empno || " " ||ename idname from emp;
select concat(empno, " " ,ename) idname from emp;
-- 指定分隔符。concat_ws(separator, [string | array(string)]+)
SELECT concat_ws('.', 'www', array('lagou', 'com'));
select concat_ws(" ", ename, job) from emp;
-- 求子串。substr
SELECT substr('www.lagou.com', 5);
SELECT substr('www.lagou.com', -5);
SELECT substr('www.lagou.com', 5, 5);
-- 字符串切分。split，注意 '.' 要转义
select split("www.lagou.com", "\\.");
1.4数学函数
-- 四舍五入。round
select round(314.15926);
select round(314.15926, 2);
select round(314.15926, -2);
-- 向上取整。ceil
select ceil(3.1415926);
-- 向下取整。floor
select floor(3.1415926);
-- 其他数学函数包括：绝对值、平方、开方、对数运算、三角运算等
1.5条件函数（重要）
-- if (boolean testCondition, T valueTrue, T valueFalseOrNull)
select sal, if (sal<1500, 1, if (sal < 3000, 2, 3)) from emp;
-- CASE WHEN a THEN b [WHEN c THEN d]* [ELSE e] END
-- 将emp表的员工工资等级分类：0-1500、1500-3000、3000以上
select sal, if (sal<=1500, 1, if (sal <= 3000, 2, 3)) from emp;
-- CASE WHEN a THEN b [WHEN c THEN d]* [ELSE e] END
-- 复杂条件用 case when 更直观
select sal, case when sal<=1500 then 1
when sal<=3000 then 2
else 3 end sallevel
from emp;
-- 以下语句等价
select ename, deptno,
case deptno when 10 then 'accounting'
when 20 then 'research'
when 30 then 'sales'
else 'unknown' end deptname
from emp;
select ename, deptno,
case when deptno=10 then 'accounting'
when deptno=20 then 'research'
when deptno=30 then 'sales'
else 'unknown' end deptname
from emp;
-- COALESCE(T v1, T v2, ...)。返回参数中的第一个非空值；如果所有值都为
NULL，那么返回NULL
select sal, coalesce(comm, 0) from emp;
-- isnull(a) isnotnull(a)
select * from emp where isnull(comm);
select * from emp where isnotnull(comm);
-- nvl(T value, T default_value)
select empno, ename, job, mgr, hiredate, deptno, sal +
nvl(comm,0) sumsal
from emp;
-- nullif(x, y) 相等为空，否则为a
SELECT nullif("b", "b"), nullif("b", "a");
1.6UDTF函数（重要）
UDTF : User Defined Table-Generating Functions。用户定义表生成函数，一行输入，多行输出。
-- explode，炸裂函数
-- 就是将一行中复杂的 array 或者 map 结构拆分成多行
select explode(array('A','B','C')) as col;
select explode(map('a', 8, 'b', 88, 'c', 888));
-- UDTF's are not supported outside the SELECT clause, nor nested
in expressions
-- SELECT pageid, explode(adid_list) AS myCol... is not supported
-- SELECT explode(explode(adid_list)) AS myCol... is not
supported
-- lateral view 常与 表生成函数explode结合使用
-- lateral view 语法：
lateralView: LATERAL VIEW udtf(expression) tableAlias AS
columnAlias (',' columnAlias)*
fromClause: FROM baseTable (lateralView)*
-- lateral view 的基本使用
with t1 as (
select 'OK' cola, split('www.lagou.com', '\\.') colb
)
select cola, colc
from t1
lateral view explode(colb) t2 as colc;
案例1
-- 数据(uid tags)：
1 1,2,3
2 2,3
3 1,2
--编写sql,实现如下结果：
1 1
1 2
1 3
2 2
2 3
3 1
3 2
-- 建表加载数据
create table market(
id int,
storage string,
allocation string,
outdt string
)
row format delimited fields terminated by '\t';
load data local inpath '/hivedata/market.txt' into table market;
-- SQL
select uid, tag
from t1
lateral view explode(split(tags,",")) t2 as tag;
案例2
-- 数据准备
lisi|Chinese:90,Math:80,English:70
wangwu|Chinese:88,Math:90,English:96
maliu|Chinese:99,Math:65,English:60
-- 创建表
create table studscore(
name string
,score map<String,string>)
row format delimited
fields terminated by '|'
collection items terminated by ','
map keys terminated by ':';
-- 加载数据
load data local inpath '/home/hadoop/data/score.dat' overwrite
into table studscore;
-- 需求：找到每个学员的最好成绩
-- 第一步，使用 explode 函数将map结构拆分为多行
select explode(score) as (subject, socre) from studscore;
--但是这里缺少了学员姓名，加上学员姓名后出错。下面的语句有是错的
select name, explode(score) as (subject, socre) from studscore;
-- 第二步：explode常与 lateral view 函数联用，这两个函数结合在一起能关联其
他字段
select name, subject, score1 as score from studscore
lateral view explode(score) t1 as subject, score1;
-- 第三步：找到每个学员的最好成绩
select name, max(mark) maxscore
from (select name, subject, mark
from studscore lateral view explode(score) t1 as
subject, mark) t1
group by name;
with tmp as (
select name, subject, mark
from studscore lateral view explode(score) t1 as subject, mark
)
select name, max(mark) maxscore
from tmp
group by name;
将一行数据转换成多行数据，可以用于array和map类型的数据；
lateral view 与 explode 联用，解决 UDTF 不能添加额外列的问题
2.窗口函数（重要）
窗口函数又名开窗函数，属于分析函数的一种。
用于解决复杂报表统计需求的功能强大的函数，很多场景都需要用到。
它对于每个组返回多行
2.1Over关键字
使用窗口函数之前一般要要通过over()进行开窗
-- 查询emp表工资总和
select sum(sal) from emp;
-- 不使用窗口函数，有语法错误
select ename, sal, sum(sal) salsum from emp;
-- 使用窗口函数，查询员工姓名、薪水、薪水总和
select ename, sal, sum(sal) over() salsum,
concat(round(sal / sum(sal) over()*100, 1) || '%')
ratiosal
from emp;
窗口函数是针对每一行数据的；如果over中没有参数，默认的是全部结果集；
2.2partition by子句
在over窗口中进行分区，对某一列进行分区统计，窗口的大小就是分区的大小
-- 查询员工姓名、薪水、部门薪水总和
select ename, sal, sum(sal) over(partition by deptno) salsum
from emp;
2.3order by子句
order by 子句对输入的数据进行排序
-- 增加了order by子句；sum：从分组的第一行到当前行求和
select ename, sal, deptno, sum(sal) over(partition by deptno order by sal) salsum from emp;
2.4window子句
rows between ... and ...
对窗口的结果做更细粒度的划分，可以使用window子句
- unbounded preceding。组内第一行数据n preceding。组内当前行的前n行数据
- current row。当前行数据
- n following。组内当前行的后n行数据
- unbounded following。组内最后一行数据
-- rows between ... and ... 子句
-- 等价。组内，第一行到当前行的和
select ename, sal, deptno,
sum(sal) over(partition by deptno order by ename) from
emp;
select ename, sal, deptno,
sum(sal) over(partition by deptno order by ename
rows between unbounded preceding and current
row
)
from emp;
-- 组内，第一行到最后一行的和
select ename, sal, deptno,
sum(sal) over(partition by deptno order by ename
rows between unbounded preceding and
unbounded following
)
from emp;
-- 组内，前一行 + 当前行 +后一行
select ename, sal, deptno,
sum(sal) over(partition by deptno order by ename
rows between 1 preceding and 1 following
)
from emp;
2.5排名函数
都是从1开始，生成数据项在分组中的排名。
- row_number()。排名顺序增加不会重复；如1、2、3、4、… …
- RANK()。 排名相等会在名次中留下空位；如1、2、2、4、5、… …
DENSE_RANK()。 排名相等会在名次中不会留下空位 ；如1、2、2、3、4、…
-- row_number / rank / dense_rank 100 1 1 1 100 2 1 1 100 3 1 1 99 4 4 2 98 5 5 3 98 6 5 3 97 7 7 4 -- 数据准备 class1 s01 100 class1 s03 100 class1 s05 100 class1 s07 99 class1 s09 98 class1 s02 98 class1 s04 97 class2 s21 100 class2 s24 99 class2 s27 99 class2 s22 98 class2 s25 98 class2 s28 97 class2 s26 96 -- 创建表加载数据 create table t2( cname string, sname string, score int ) row format delimited fields terminated by '\t'; load data local inpath '/home/hadoop/data/t2.dat' into table t2; -- 按照班级，使用3种方式对成绩进行排名 select cname, sname, score, row_number() over (partition by cname order by score desc) rank1, rank() over (partition by cname order by score desc) rank2, dense_rank() over (partition by cname order by score desc) rank3 from t2; -- 求每个班级前3名的学员--前3名的定义是什么--假设使用dense_rank select cname, sname, score, rank from (select cname, sname, score, dense_rank() over (partition by cname order by score desc) rank from t2) tmp where rank <= 3;2.6序列函数
lag。返回当前数据行的上一行数据lead。返回当前数据行的下一行数据
- first_value。取分组内排序后，截止到当前行，第一个值
- last_value。分组内排序后，截止到当前行，最后一个值
- ntile。将分组的数据按照顺序切分成n片，返回当前切片值
-- 测试数据 userpv.dat。cid ctime pv cookie1,2019-04-10,1 cookie1,2019-04-11,5 cookie1,2019-04-12,7 cookie1,2019-04-13,3 cookie1,2019-04-14,2 cookie1,2019-04-15,4 cookie1,2019-04-16,4 cookie2,2019-04-10,2 cookie2,2019-04-11,3 cookie2,2019-04-12,5 cookie2,2019-04-13,6 cookie2,2019-04-14,3 cookie2,2019-04-15,9 cookie2,2019-04-16,7 -- 建表语句 create table userpv( cid string, ctime date, pv int ) row format delimited fields terminated by ","; -- 加载数据 Load data local inpath '/home/hadoop/data/userpv.dat' into table userpv; -- lag。返回当前数据行的上一行数据 -- lead。功能上与lag类似 select cid, ctime, pv, lag(pv) over(partition by cid order by ctime) lagpv, lead(pv) over(partition by cid order by ctime) leadpv from userpv; -- first_value / last_value select cid, ctime, pv, first_value(pv) over (partition by cid order by ctime rows between unbounded preceding and unbounded following) as firstpv, last_value(pv) over (partition by cid order by ctime rows between unbounded preceding and unbounded following) as lastpv from userpv; -- ntile。按照cid进行分组，每组数据分成2份 select cid, ctime, pv, ntile(2) over(partition by cid order by ctime) ntile from userpv;2.7SQL面试题
1.连续七天登录的用户
2、编写sql语句实现每班前三名，分数一样并列，同时求出前三名按名次排序的分差-- 数据。uid dt status(1 正常登录，0 异常) 1 2019-07-11 1 1 2019-07-12 1 1 2019-07-13 1 1 2019-07-14 1 1 2019-07-15 1 1 2019-07-16 1 1 2019-07-17 1 1 2019-07-18 1 2 2019-07-11 1 2 2019-07-12 1 2 2019-07-13 0 2 2019-07-14 1 2 2019-07-15 1 2 2019-07-16 0 2 2019-07-17 1 2 2019-07-18 0 3 2019-07-11 1 3 2019-07-12 1 3 2019-07-13 1 3 2019-07-14 0 3 2019-07-15 1 3 2019-07-16 1 3 2019-07-17 1 3 2019-07-18 1 -- 建表语句 create table ulogin( uid int, dt date, status int ) row format delimited fields terminated by ' '; -- 加载数据 load data local inpath '/home/hadoop/data/ulogin.dat' into table ulogin; -- 连续值的求解，面试中常见的问题。这也是同一类，基本都可按照以下思路进行 -- 1、使用 row_number 在组内给数据编号(rownum) -- 2、某个值 - rownum = gid，得到结果可以作为后面分组计算的依据 -- 3、根据求得的gid，作为分组条件，求最终结果 select uid, dt, date_sub(dt, row_number() over (partition by uid order by dt)) gid from ulogin where status=1; select uid, count(*) countlogin from (select uid, dt, date_sub(dt, row_number() over (partition by uid order by dt)) gid from ulogin where status=1) t1 group by uid, gid having countlogin >= 7;
3.行《=》列 ```sql — 数据：id course 1 java 1 hadoop 1 hive 1 hbase 2 java 2 hive 2 spark 2 flink 3 java 3 hadoop 3 hive 3 kafka — 建表加载数据 create table rowline1( id string, course string )row format delimited fields terminated by ‘ ‘; load data local inpath ‘/root/data/data1.dat’ into table rowline1; — 编写sql，得到结果如下(1表示选修，0表示未选修) id java hadoop hive hbase spark flink kafka 1 1 1 1 1 0 0 0 2 1 0 1 0 1 1 0 3 1 1 1 0 0 0 1 — 使用case when；group by + sum select id, sum(case when course=”java” then 1 else 0 end) as java, sum(case when course=”hadoop” then 1 else 0 end) as hadoop, sum(case when course=”hive” then 1 else 0 end) as hive, sum(case when course=”hbase” then 1 else 0 end) as hbase, sum(case when course=”spark” then 1 else 0 end) as spark, sum(case when course=”flink” then 1 else 0 end) as flink, sum(case when course=”kafka” then 1 else 0 end) as kafka from rowline1 group by id;-- 数据。sid class score 1 1901 90 2 1901 90 3 1901 83 4 1901 60 5 1902 66 6 1902 23 7 1902 99 8 1902 67 9 1902 87 -- 待求结果数据如下： class score rank lagscore 1901 90 1 0 1901 90 1 0 1901 83 2 -7 1901 60 3 -23 1902 99 1 0 1902 87 2 -12 1902 67 3 -20 -- 建表语句 create table stu( sno int, class string, score int )row format delimited fields terminated by ' '; -- 加载数据 load data local inpath '/home/hadoop/data/stu.dat' into table stu; -- 求解思路： -- 1、上排名函数，分数一样并列，所以用dense_rank -- 2、将上一行数据下移，相减即得到分数差 -- 3、处理 NULL with tmp as ( select sno, class, score, dense_rank() over (partition by class order by score desc) as rank from stu ) select class, score, rank, nvl(score - lag(score) over (partition by class order by score desc), 0) lagscore from tmp where rank<=3;
— 数据。id1 id2 flag a b 2 a b 1 a b 3 c d 6 c d 8 c d 8
— 编写sql实现如下结果 id1 id2 flag a b 2|1|3 c d 6|8 — 创建表 & 加载数据 create table rowline2( id1 string, id2 string, flag int ) row format delimited fields terminated by ‘ ‘; load data local inpath ‘/root/data/data2.dat’ into table rowline2;
— 第一步 将元素聚拢
select id1, id2, collect_set(flag) flag from rowline2 group by
id1, id2;
select id1, id2, collect_list(flag) flag from rowline2 group by
id1, id2;
select id1, id2, sort_array(collect_set(flag)) flag from rowline2
group by id1, id2;
— 第二步 将元素连接在一起
select id1, id2, concat_ws(“|”, collect_set(flag)) flag
from rowline2
group by id1, id2;
— 这里报错，CONCAT_WS must be “string or array
select explode(split(flag, “\|”)) flat from rowline3; — 第二步：lateral view 后与其他字段关联 select id1, id2, newflag from rowline3 lateral view explode(split(flag, “\|”)) t1 as newflag; lateralView: LATERAL VIEW udtf(expression) tableAlias AS columnAlias (‘,’ columnAlias) fromClause: FROM baseTable (lateralView)
<a name="BWllD"></a>
## 3.自定义函数
当 Hive 提供的内置函数无法满足实际的业务处理需要时，可以考虑使用用户自定义
函数进行扩展。<br />UDF（User Defined Function）。用户自定义函数，一进一出<br />
UDAF（User Defined Aggregation Function）。用户自定义聚集函数，多进一出；类似于：count/max/min
<br />UDTF（User Defined Table-Generating Functions）。用户自定义表生成函数，一进多出；类似于：explode<br />**UDF开发**：
-
继承org.apache.hadoop.hive.ql.exec.UDF
- 需要实现evaluate函数；
- evaluate函数支持重载
- UDF必须要有返回类型，可以返回null，但是返回类型不能为void
**UDF开发步骤**：
- 创建maven java 工程，添加依赖
-
开发java类继承UDF，实现evaluate 方法
- 将项目打包上传服务器
- 添加开发的jar包
- 设置函数与自定义函数关联
- 使用自定义函数
需求：扩展nvl函数功能：
```sql
nvl(ename, "OK"): ename==null => 返回第二个参数
nvl(ename, "OK"): ename==null or ename=="" or ename==" " => 返回第二个参数
1.创建maven java工程，添加依赖
<!-- pom.xml 文件 -->
<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>2.3.7</version>
</dependency>
</dependencies>
2.开发java类继承UDF，实现evaluate 方法
package cn.lagou.hive.udf;
import org.apache.hadoop.hive.ql.exec.UDF;
public class nvl extends UDF {
public Text evaluate(final Text t, final Text x) {
if (t == null || t.toString().trim().length()==0) {
return x;
}
return t;
}
}
3.、将项目打包上传服务器
4、添加开发的jar包（在Hive命令行中）
add jar /home/hadoop/hiveudf.jar;
5、创建临时函数。指定类名一定要完整的路径，即包名加类名
create temporary function mynvl as "cn.lagou.hive.udf.nvl";
6.执行查询
-- 基本功能还有
select mynvl(comm, 0) from mydb.emp;
-- 测试扩充的功能
select mynvl("", "OK");
select mynvl(" ", "OK");
7、退出Hive命令行，再进入Hive命令行。执行步骤6的测试，发现函数失效。 备注：创建临时函数每次进入Hive命令行时，都必须执行以下语句，很不方便：
add jar /home/hadoop/hiveudf.jar;
create temporary function mynvl as "cn.lagou.hive.udf.nvl";
故可创建永久函数：
1、将jar上传HDFS
hdfs dfs -put hiveudf.jar jar/
2.在hive命令行中创建永久函数
create function mynvl1 as 'cn.lagou.hive.udf.nvl' using jar
'hdfs:/user/hadoop/jar/hiveudf.jar';
-- 查询所有的函数，发现 mynvl1 在列表中
show functions;
3、退出Hive，再进入，执行测试
-- 基本功能还有
select mynvl(comm, 0) from mydb.emp;
-- 测试扩充的功能
select mynvl("", "OK");
select mynvl(" ", "OK");
4、删除永久函数，并检查
drop function mynvl1;
show functions;
第八部分 HQL操作之—DML命令
数据操纵语言DML(Data Manipulation Language)，DML主要有三种形式：插入
(INSERT)、删除(DELETE)、更新(UPDATE)。
事务(transaction)是一组单元化操作，这些操作要么都执行，要么都不执行，是一
个不可分割的工作单元。
事务具有的四个要素：原子性（Atomicity）、一致性（Consistency）、隔离性
（Isolation）、持久性（Durability），这四个基本要素通常称为ACID特性。
原子性。一个事务是一个不可再分割的工作单位，事务中的所有操作要么都发生，要么都不发生。
一致性。一个事务在执行之前和执行之后，数据库都必须处于一致性状态。
隔离性。并发的事务是相互隔离的，一个事务的执行不能被其他事务干扰。
持久性。事务一旦提交，它对数据的改变就是永久性的。
1.hive事务
Hive从0.14版本开始支持事务 和 行级更新，但缺省是不支持的，需要一些附加的配
置。
要想支持行级insert、update、delete，需要配置Hive支持事务。
Hive事务的限制：
- Hive提供行级别的ACID语义 BEGIN、COMMIT、ROLLBACK 暂时不支持，所有操作自动提交
- 目前只支持 ORC 的文件格式
- 默认事务是关闭的，需要设置开启
- 要是使用事务特性，表必须是分桶的
- 只能使用内部表
- 如果一个表用于ACID写入（INSERT、UPDATE、DELETE），必须在表中设置表属性 : “transactional=true”
- 必须使用事务管理器 org.apache.hadoop.hive.ql.lockmgr.DbTxnManager
- 目前支持快照级别的隔离。就是当一次数据查询时，会提供一个数据一致性的快照
- LOAD DATA语句目前在事务表中暂时不支持
HDFS是不支持文件的修改；并且当有数据追加到文件，HDFS不对读数据的用户提 供一致性的。为了在HDFS上支持数据的更新：
- 表和分区的数据都被存在基本文件中（base files）
- 新的记录和更新，删除都存在增量文件中（delta files）
- 一个事务操作创建一系列的增量文件
- 在读取的时候，将基础文件和修改，删除合并，最后返回给查询
2.hive事务操作示例
-- 这些参数也可以设置在hive-site.xml中 SET hive.support.concurrency = true; -- Hive 0.x and 1.x only SET hive.enforce.bucketing = true; SET hive.exec.dynamic.partition.mode = nonstrict; SET hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DbTxnManager; -- 创建表用于更新。满足条件：内部表、ORC格式、分桶、设置表属性 create table zxz_data( name string, nid int, phone string, ntime date) clustered by(nid) into 5 buckets stored as orc tblproperties('transactional'='true'); -- 创建临时表，用于向分桶表插入数据 create table temp1( name string, nid int, phone string, ntime date) row format delimited fields terminated by ","; -- 数据 name1,1,010-83596208,2020-01-01 name2,2,027-63277201,2020-01-02 name3,3,010-83596208,2020-01-03 name4,4,010-83596208,2020-01-04 name5,5,010-83596208,2020-01-05 -- 向临时表加载数据；向事务表中加载数据 load data local inpath '/home/hadoop/data/zxz_data.txt' overwrite into table temp1; insert into table zxz_data select * from temp1; -- 检查数据和文件 select * from zxz_data; dfs -ls /user/hive/warehouse/mydb.db/zxz_data ; -- DML 操作 delete from zxz_data where nid = 3; dfs -ls /user/hive/warehouse/mydb.db/zxz_data ; insert into zxz_data values ("name3", 3, "010-83596208", current_date); -- 不支持 insert into zxz_data values ("name3", 3, "010-83596208", "2020- 06-01"); -- 执行 insert into zxz_data select "name3", 3, "010-83596208", current_date; dfs -ls /user/hive/warehouse/mydb.db/zxz_data ; insert into zxz_data values ("name6", 6, "010-83596208", "2020-06-02"), ("name7", 7, "010-83596208", "2020-06-03"), ("name8", 9, "010-83596208", "2020-06-05"), ("name9", 8, "010-83596208", "2020-06-06"); dfs -ls /user/hive/warehouse/mydb.db/zxz_data ; update zxz_data set name=concat(name, "00") where nid>3; dfs -ls /user/hive/warehouse/mydb.db/zxz_data ; -- 分桶字段不能修改，下面的语句不能执行 -- Updating values of bucketing columns is not supported update zxz_data set nid = nid + 1;
第九部分 元数据管理与存储
1.Metastore
Metadata即元数据。元数据包含用Hive创建的database、table、表的字段等元信
息。元数据存储在关系型数据库中。如hive内置的Derby、第三方如MySQL等。
Metastore即元数据服务，是Hive用来管理库表元数据的一个服务。有了它上层的服务不用再跟裸的文件数据打交道，而是可以基于结构化的库表信息构建计算框架。
通过metastore服务将Hive的元数据暴露出去，而不是需要通过对Hive元数据库
mysql的访问才能拿到Hive的元数据信息；metastore服务实际上就是一种thrift服务，通过它用户可以获取到Hive元数据，并且通过thrift获取元数据的方式，屏蔽了数据库访问需要驱动，url，用户名，密码等细节。
1.1metastore三种配置方式
1、内嵌模式
内嵌模式使用的是内嵌的Derby数据库来存储元数据，也不需要额外起Metastore服务。数据库和Metastore服务都嵌入在主Hive Server进程中。这个是默认的，配置简单，但是一次只能一个客户端连接，适用于用来实验，不适用于生产环境。
优点：配置简单，解压hive安装包 bin/hive 启动即可使用；
缺点：不同路径启动hive，每一个hive拥有一套自己的元数据，无法共享。
配置步骤：
1、下载软件解压缩
2、设置环境变量，并使之生效
3、初始化数据库。
schematool -dbType derby -initSchema
4、进入hive命令行
5、再打开一个hive命令行，发现无法进入
2、本地模式
本地模式采用外部数据库来存储元数据，目前支持的数据库有：MySQL、Postgres、Oracle、MS SQL Server。教学中实际采用的是MySQL。
本地模式不需要单独起metastore服务，用的是跟Hive在同一个进程里的metastore服务。也就是说当启动一个hive 服务时，其内部会启动一个metastore服务。Hive根据 hive.metastore.uris 参数值来判断，如果为空，则为本地模式。
缺点：每启动一次hive服务，都内置启动了一个metastore；在hive-site.xml中暴露的数据库的连接信息；
优点：配置较简单，本地模式下hive的配置中指定mysql的相关信息即可。
3. 远程模式
远程模式下，需要单独起metastore服务，然后每个客户端都在配置文件里配置连接到该metastore服务。远程模式的metastore服务和hive运行在不同的进程里。在生产环境中，建议用远程模式来配置Hive Metastore。
在这种模式下，其他依赖hive的软件都可以通过Metastore访问Hive。此时需要配置hive.metastore.uris 参数来指定 metastore 服务运行的机器ip和端口，并且需要单独手动启动metastore服务。metastore服务可以配置多个节点上，避免单节点故障导致整个集群的hive client不可用。同时hive client配置多个metastore地址，会自动选择可用节点。
远程模式配置：
配置步骤：
1、将 linux123 的 hive 安装文件拷贝到 linux121、linux122
2、在linux121、linux123上分别启动 metastore 服务
# 启动 metastore 服务
nohup hive --service metastore &
# 查询9083端口(metastore服务占用的端口)
lsof -i:9083
# 安装lsof
yum install lsof
3、修改 linux122 上hive-site.xml。删除配置文件中：MySQL的配置、连接数据库 的用户名、口令等信息；增加连接metastore的配置：
<!-- hive metastore 服务地址 -->
<property>
<name>hive.metastore.uris</name>
<value>thrift://linux121:9083,thrift://linux123:9083</value>
</property>
4、启动hive。此时client端无需实例化hive的metastore，启动速度会加快。
# 分别在linux121、linux123上执行以下命令，查看连接情况
lsof -i:9083
5、高可用测试。关闭已连接的metastore服务，发现hive连到另一个节点的服务 上，仍然能够正常使用。
2.Hiveserver2
HiveServer2是一个服务端接口，使远程客户端可以执行对Hive的查询并返回结果。
目前基于Thrift RPC的实现是HiveServer的改进版本.
Thrift是一种接口描述语言和二进制通讯协议，它被用来定义和创建跨语言的服务。
它被当作一个远程过程调用（RPC）框架来使用，是由Facebook为“大规模跨语言服务开发”而开发的。
HiveServer2（HS2）是一种允许客户端对Hive执行查询的服务。HiveServer2是
HiveServer1的后续 版本。HS2支持多客户端并发和身份验证，旨在为JDBC、ODBC等开放API客户端提供更好的支持。
HiveServer2作用：
- 为Hive提供了一种允许客户端远程访问的服务
- 基于thrift协议，支持跨平台，跨编程语言对Hive访问
- 允许远程访问Hive
HiveServer2配置
配置步骤：
1、修改集群上的 core-site.xml，增加以下内容：
<!-- HiveServer2 连不上10000；hadoop为安装用户 -->
<!-- root用户可以代理所有主机上的所有用户 -->
<property>
<name>hadoop.proxyuser.root.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.root.groups</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hadoop.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hadoop.groups</name>
<value>*</value>
</property>
2、修改 集群上的 hdfs-site.xml，增加以下内容：
<!-- HiveServer2 连不上10000；启用 webhdfs 服务 -->
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
3、启动linux123上的 HiveServer2 服务
# 启动 hiveserver2 服务
nohup hiveserver2 &
# 检查 hiveserver2 端口
lsof -i:10000
# 从2.0开始，HiveServer2提供了WebUI
# 还可以使用浏览器检查hiveserver2的启动情况。http://linux123:10002/
4、启动 linux122 节点上的 beeline
Beeline是从 Hive 0.11版本引入的，是 Hive 新的命令行客户端工具。
Hive客户端工具后续将使用Beeline 替代 Hive 命令行工具 ，并且后续版本也会废弃掉 Hive 客户端工具。
!connect jdbc:hive2://linux123:10000
use mydb;
show tables;
select * from emp;
create table tabtest1 (c1 int, c2 string);
!connect jdbc:mysql://linux123:3306
!help
!quit
3.HCatalog
HCatalog 提供了一个统一的元数据服务，允许不同的工具如 Pig、MapReduce 等
通过 HCatalog 直接访问存储在 HDFS 上的底层文件。
HCatalog 提供了一个称为 hcat 的命令行工具。这个工具和 Hive 的命令行工具类
似，两者最大的不同就是 hcat 只接受不会产生 MapReduce 任务的命令。
# 进入 hcat 所在目录。$HIVE_HOME/hcatalog/bin
cd $HIVE_HOME/hcatalog/bin
# 执行命令，创建表
./hcat -e "create table default.test1(id string, name string, age
int)"
# 长命令可写入文件，使用 -f 选项执行
./hcat -f createtable.txt
# 查看元数据
./hcat -e "use mydb; show tables"
# 查看表结构
./hcat -e "desc mydb.emp"
# 删除表
./hcat -e "drop table default.test1"
4.数据存储格式
Hive支持的存储数的格式主要有：TEXTFILE（默认格式） 、SEQUENCEFILE、
RCFILE、ORCFILE、PARQUET。
textfile为默认格式，建表时没有指定文件格式，则使用TEXTFILE，导入数据时会直接把数据文件拷贝到hdfs上不进行处理；
sequencefile，rcfile，orcfile格式的表不能直接从本地文件导入数据，数据要先导入到textfile格式的表中， 然后再从表中用insert导入sequencefile、rcfile、orcfile表中。
行存储与列存储
行式存储下一张表的数据都是放在一起的，但列式存储下数据被分开保存了。
行式存储：
优点：数据被保存在一起，insert和update更加容易
缺点：选择（selection）时即使只涉及某几列，所有数据也都会被读取
列式存储：
优点：查询时只有涉及到的列会被读取，效率高
缺点：选中的列要重新组装，insert/update比较麻烦
TEXTFILE、SEQUENCEFILE 的存储格式是基于行存储的；
ORC和PARQUET 是基于列式存储的。
TextFile
Hive默认的数据存储格式，数据不做压缩，磁盘开销大，数据解析开销大。 可结合Gzip、Bzip2使用(系统自动检查，执行查询时自动解压)，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。
create table if not exists uaction_text(
userid string,
itemid string,
behaviortype int,
geohash string,
itemcategory string,
time string)
row format delimited fields terminated by ','
stored as textfile;
load data local inpath '/home/hadoop/data/useraction.dat'
overwrite into table uaction_text;
SEQUENCEFILE
SequenceFile是Hadoop API提供的一种二进制文件格式，其具有使用方便、可分割、可压缩的特点。
SequenceFile支持三种压缩选择：none，record，block。Record压缩率低，一般建议使用BLOCK压缩。
RCFile
RCFile全称Record Columnar File，列式记录文件，是一种类似于SequenceFile的键值对数据文件。RCFile结合列存储和行存储的优缺点，是基于行列混合存储的RCFile。
RCFile遵循的“先水平划分，再垂直划分”的设计理念。先将数据按行水平划分为行组，这样一行的数据就可以保证存储在同一个集群节点；然后在对行进行垂直划分。
- 一张表可以包含多个HDFS block
- 在每个block中，RCFile以行组为单位存储其中的数据
- row group又由三个部分组成
用于在block中分隔两个row group的16字节的标志区
存储row group元数据信息的header
实际数据区，表中的实际数据以列为单位进行存储
ORCFile
ORC File，它的全名是Optimized Row Columnar (ORC) file，其实就是对RCFile做
了一些优化，在hive 0.11中引入的存储格式。这种文件格式可以提供一种高效的方法来存储Hive数据。它的设计目标是来克服Hive其他格式的缺陷。运用ORC File可以提高Hive的读、写以及处理数据的性能。ORC文件结构由三部分组成：
- 文件脚注(file footer)：包含了文件中 stripe 的列表，每个stripe行数，以及每 个列的数据类型。还包括每个列的最大、最小值、行计数、求和等信息
- postscript：压缩参数和压缩大小相关信息
- 条带(stripe)：ORC文件存储数据的地方。在默认情况下，一个stripe的大小为250MB
Index Data：一个轻量级的index，默认是每隔1W行做一个索引。包括该条带的一些统计信息，以及数据在 stripe中的位置索引信息
Rows Data：存放实际的数据。先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个stream来存储
Stripe Footer：存放stripe的元数据信息
ORC在每个文件中提供了3个级别的索引：文件级、条带级、行组级。借助ORC提供
的索引信息能加快数据查找和读效率，规避大部分不满足条件的查询条件的文件和数据块。使用ORC可以避免磁盘和网络IO的浪费，提升程序效率，提升整个集群的工作负载。
create table if not exists uaction_orc(
userid string,
itemid string,
behaviortype int,
geohash string,
itemcategory string,
time string)
stored as orc;
insert overwrite table uaction_orc select * from uaction_text;
Parquet
Apache Parquet是Hadoop生态圈中一种新型列式存储格式，它可以兼容Hadoop生态圈中大多数计算框架(Mapreduce、Spark等)，被多种查询引擎支持（Hive、Impala、Drill等），与语言和平台无关的。
Parquet文件是以二进制方式存储的，不能直接读取的，文件中包括实际数据和元数据，Parquet格式文件是自解析的。
Row group:
- 写入数据时的最大缓存单元 MR任务的最小并发单元
- 一般大小在50MB-1GB之间
Column chunk：
- 存储当前Row group内的某一列数据
- 最小的IO并发单元
Page：
- 压缩、读数据的最小单元
- 获得单条数据时最小的读取数据单元
- 大小一般在8KB-1MB之间，越大压缩效率越高
Footer：
- 数据Schema信息
- 每个Row group的元信息：偏移量、大小
每个Column chunk的元信息：每个列的编码格式、首页偏移量、首索引页偏移量、个数、大小等信息
create table if not exists uaction_parquet( userid string, itemid string, behaviortype int, geohash string, itemcategory string, time string) stored as parquet; insert overwrite table uaction_parquet select * from uaction_text;文件存储格式对比测试
说明：
1、给 linux123 分配合适的资源。2core；2048G内存
2、适当减小文件的数据量（现有数据约800W，根据自己的实际选择处理100- 300W条数据均可）# 检查文件行数 wc -l uaction.dat # head -n 1000000 uaction.dat > uaction1.dat tail -n 1000000 uaction.dat > uaction2.dat文件压缩比
hive (mydb)> dfs -ls /user/hive/warehouse/mydb.db/ua*; 13517070 /user/hive/warehouse/mydb.db/uaction_orc/000000_1000 34867539 /user/hive/warehouse/mydb.db/uaction_parquet/000000_1000 90019734 /user/hive/warehouse/mydb.db/uaction_text/useraction.datORC > Parquet > text
执行查询SELECT COUNT(*) FROM uaction_text; SELECT COUNT(*) FROM uaction_orc; SELECT COUNT(*) FROM uaction_parquet; -- text : 14.446 -- orc: 0.15 -- parquet : 0.146orc 与 parquet类似 > txt
在生产环境中，Hive表的数据格式使用最多的有三种：TextFile、ORCFile、 Parquet。TextFile文件更多的是作为跳板来使用(即方便将数据转为其他格式)
- 有update、delete和事务性操作的需求，通常选择ORCFile
- 没有事务性要求，希望支持Impala、Spark，建议选择Parquet
若有收获，就点个赞吧
0 人点赞
