Hive 編程之DDL、DML、UDF、Select總結

本文將Hive編程從命令行、DDL、UDF、DML、Select等方面結合官方文檔進行了較為詳細的總結，并在相關的知識點給出相應的例子進行說明。

　　Hive的基本理論與安裝可參看作者上一篇博文《Apache Hive 基本理論與安裝指南》。

一、Hive命令行

　　所有的hive命令都可以通過hive命令行去執行，hive命令行中仍有許多選項。使用$hive -H查看：

　　-e 選項后面可以直接接一個hql語句，不用進入到hive命令行用戶接口再輸入hql語句。

　　-f 選項后面接一個hql語句的文件。

　　-i 選項在hql語句執行之前的初始化hql文件。例如添加、導入等操作都可以寫在這個hql語句文件中。

　　在hive使用中，大多是寫很多腳本，在hive命令行中輸入是屬于交互式的，這就必須有工作人員在工作，不適合做批量處理。可以使用-f或-i選項，一次性執行可以將所有的hql語句放在一個hql腳本文件中。例如：

$ mkdir -p /opt/shell/sql
$ vim /opt/shell/sql/test.sql

select * from table_name limit 5;
select * from table_name where professional="student";
select count(*) from table_name;
select count(*) from table_name group by professional;
select * from table_name where professional="student" order by age;

　　將腳本保存退出后，再批量執行：

$ hive -f /opt/shell/sql/test.sql

　　詳見官方文檔。重點在于創建表和創建函數。

1. 建表語法

建表語句

　　從官方文檔的Create Table中可以查看hive建表的命令，如下：

CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name    -- (Note: TEMPORARY available in Hive 0.14.0 and later)
  [(col_name data_type [COMMENT col_comment], ... [constraint_specification])]
  [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]
  [SKEWED BY (col_name, col_name, ...)                  -- (Note: Available in Hive 0.10.0 and later)]
     ON ((col_value, col_value, ...), (col_value, col_value, ...), ...)
     [STORED AS DIRECTORIES]
  [
   [ROW FORMAT row_format] 
   [STORED AS file_format]
     | STORED BY 'storage.handler.class.name' [WITH SERDEPROPERTIES (...)]  -- (Note: Available in Hive 0.6.0 and later)
  ]
  [LOCATION hdfs_path]
  [TBLPROPERTIES (property_name=property_value, ...)]   -- (Note: Available in Hive 0.6.0 and later)
  [AS select_statement];   -- (Note: Available in Hive 0.5.0 and later; not supported for external tables)
 
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name
  LIKE existing_table_or_view_name
  [LOCATION hdfs_path];

數據類型

data_type
  : primitive_type
  | array_type
  | map_type
  | struct_type
  | union_type  -- (Note: Available in Hive 0.7.0 and later)

　　data_type，有兩種類型：一種是復雜類型，例如array_type（ARRAY < data_type >）、map_type（MAP < primitive_type, data_type >）、struct_type（STRUCT < col_name : data_type [COMMENT col_comment], ...>）、union_type（UNIONTYPE < data_type, data_type, ... >）；簡單類型有SMALLINT（占2個字節的整數）、INT（占4個字節的整數）、BIGINT（占8個字節的整數）、BOOLEAN、FLOAT、DOUBLE、STRING、BINARY、TIMESTAMP、DECIMAL、DATE、VARCHAR（0.12之后）、CHAR（字符，0.13之后）。

primitive_type
  : TINYINT
  | SMALLINT
  | INT
  | BIGINT
  | BOOLEAN
  | FLOAT
  | DOUBLE
  | DOUBLE PRECISION -- (Note: Available in Hive 2.2.0 and later)
  | STRING
  | BINARY      -- (Note: Available in Hive 0.8.0 and later)
  | TIMESTAMP   -- (Note: Available in Hive 0.8.0 and later)
  | DECIMAL     -- (Note: Available in Hive 0.11.0 and later)
  | DECIMAL(precision, scale)  -- (Note: Available in Hive 0.13.0 and later)
  | DATE        -- (Note: Available in Hive 0.12.0 and later)
  | VARCHAR     -- (Note: Available in Hive 0.12.0 and later)
  | CHAR        -- (Note: Available in Hive 0.13.0 and later)

row_format

row_format
  : DELIMITED [FIELDS TERMINATED BY char [ESCAPED BY char]] [COLLECTION ITEMS TERMINATED BY char]
        [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
        [NULL DEFINED AS char]   -- (Note: Available in Hive 0.13 and later)
  | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

　　row_format：需要指出每一行是由什么隔開，并且要指出每一行中的每一個字段是用什么隔開的。

　　對于字段的隔開，復雜數據類型和簡單數據類型不一樣。例如數組類型是復雜類型，其隔開符[COLLECTION ITEMS TERMINATED BY char]，Map類型的要使用[MAP KEYS TERMINATED BY char]。[LINES TERMINATED BY char]可以設置行隔開符，如果不寫，默認為回車換行。

file_format

file_format:
  : SEQUENCEFILE
  | TEXTFILE    -- (Default, depending on hive.default.fileformat configuration)
  | RCFILE      -- (Note: Available in Hive 0.6.0 and later)
  | ORC         -- (Note: Available in Hive 0.11.0 and later)
  | PARQUET     -- (Note: Available in Hive 0.13.0 and later)
  | AVRO        -- (Note: Available in Hive 0.14.0 and later)
  | INPUTFORMAT input_format_classname OUTPUTFORMAT output_format_classname

　　SEQUENCEFILE表示序列壓縮格式，以及RCFILE、ORC、PARQUET、AVRO都是壓縮格式。TEXTFILE是默認的格式，文本格式。

2. 創建表案例一　　

查看數據

　　為舉例說明，這里先生成數據文件：

vim /root/person.txt

1,zhangsan,31,books-sports-math,city:shanghai-street:lujiazui-zipcode:313100
2,lisi,35,books-music,city:hangzhou-street:xihu-zipcode:222100
3,wangwu,25,computer-games,city:guangzhou-street:baiyun-zipcode:212300

創建表

　　根據數據創建一個人類表，包含人的編號、姓名、年齡、愛好、地址五個字段。

vim /opt/shell/sql/t_person.sql

create table t_person
(
    id int,
    name string,
    age int,
    likes array<string>,
    address map<string,string>
) row format delimited 
fields terminated by ',' 
collection items terminated by '-'
map keys terminated by ':' 
lines terminated by '\n' 
stored as textfile;

　　根據表結構，字段之間按,隔開；likes的類型是array，所以可以有多個愛好，元素之間按-隔開，以,作為數組的結束；地址是map類型，也是collection類型， key和value按:隔開，每對key和value之間用-隔開（和collection一致）；回車代表換行符。

　　執行創建表腳本：

$ hive -f /opt/shell/sql/t_person.sql

將數據從本地導入到hive

hive> load data local inpath '/root/person.txt' into table t_person;

查看數據

3. 創建表案例二（分區表）

　　當我們要在關系型數據庫中查找某一數據時，一般需要匹配數據庫中的所有數據，所以可以通過分區來提高查詢效率。把常用的查詢條件作為一種分區，例如要查某一天的數據，事實上就是可以只匹配當天的數據，其他數據不匹配。下面以建一個日志管理表為例：

數據文件

　　文件經常按照天、小時等進行分割。故在此創建多個文件如下：

vim /root/log_2016-03-11.txt

111,1,200,2016-03-11
135,4,100,2016-03-11
211,3,300,2016-03-11
141,1,200,2016-03-11
131,2,400,2016-03-11

vim /root/log_2016-03-12.txt

121,2,300,2016-03-12
125,3,400,2016-03-12
211,1,400,2016-03-12
161,3,100,2016-03-12
171,5,200,2016-03-12

創建表結構

create table t_log (id string,type int,pid string,logtime string)
partitioned by (day string)
row format delimited 
fields terminated by ','
stored as textfile;

　　這里指定了按照天做分區。

裝載數據

hive> load data local inpath '/root/log_2016-03-11.txt' into table t_log partition (day='2016-03-11');
hive> load data local inpath '/root/log_2016-03-12.txt' into table t_log partition (day='2016-03-12');

查看數據

hive> select * from t_log;

　　從上圖可以看出，數據增加了一個字段，左邊是logtime，右邊是分區day。所以，添加一個分區可以理解為添加一個字段；但是又不同于添加一個字段，因為查詢按照分區做限定（查詢分區day='2016-03-11'）時其他分區的數據不讀取，而如果是字段的話，需要每一條數據進行匹配過濾。也可以從瀏覽器看出創建分區表的目錄結構如下：

　　創建分區，就會為每一個分區建一個目錄，所以在查詢時，只在限定的分區目錄里查詢。

　　查看某一天的數據量

hive> select count(*) from t_log where day='2016-03-11';

　　查看某一個月的數據量

hive>select count(*) from t_log where day between 'xxx' and 'xxx';

　　當然，這里需要先轉換格式，略。

三、Hive DML（Data Manipulation Language）

Hive Data Manipulation Language

　　詳見官方文檔。DML是對數據進行增刪改的腳本。但是數據在hdfs中，實際上不提供修改，只提供追加（insert），支持刪除。

1. Loading files into tables

語法

　　load file將數據導入到表中。其語法為：

hive> LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

　　local：如果導入的數據在Linux主機本地，就要添加[local]，如果數據已經在hdfs上就不能加local；overwrite：覆蓋；partition：如果表有分區就要加partition。

實例
- 將hdfs中的數據裝載到hive

　　首先，上傳Linux文件到hdfs

$ hdfs dfs -put /root/log_2016-03-1* /usr/input

　　其次，在hive中執行導入

hive>load data inpath '/usr/input/log_2016-03-12.txt' into table t_log partition (day='2016-03-12');

hive>load data inpath '/usr/input/log_2016-03-12.txt' overwrite into table t_log partition (day='2016-03-12');

　　注意：導入的分區要存在，導入到hive表后原來hdfs路徑下的文件就不復存在了，即存在hdfs的目錄變了，實際就是元數據變了，block的位置沒有變。如果使用overwrite，則原來該表中指定分區的數據將全部清空，然后上傳該文件。如果load相同文件名名到表中時，會默認生成副本filename_copy_1。文件中的數據格式要和表的結構相吻合。

- 將Linux本地的數據裝載到hive

hive>load data local inpath '/root/log_2016-03-11.txt' into table t_log partition (day='2016-03-11');

2. Inserting data into hive tables from queries

語法

hive> INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...) [IF NOT EXISTS]] select_statement1 FROM from_statement;
hive> INSERT INTO TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement;

　　其中的select_statement1 FROM from_statement;是一個sql語句。這是用于查詢hive中已經存在的數據，將查詢結果給到一張新表中。

hive> INSERT INTO TABLE tablename [PARTITION (partcol1[=val1], partcol2[=val2] ...)] VALUES values_row [, values_row ...]

　　這個語句是和關系型數據庫的insert語句用法是一樣的。區別有三：一是，有partition；二是，可以一次插入多條數據；三是，這種語句是轉成MapReduce去執行的。

　　因為hive是一個工具，其作用是查詢和統計hdfs上的數據的，對于查詢結果一般就在控制臺上顯示，所以這個insert語句作用就是將查詢的結果保存下來，用于后期的展示。

實例

hive> insert into table t_log partition (day='2016-03-13’) values ('888',2,'100','2016-03-13’);

　　這個會啟動MapReduce，因為數據在文件中不存在，要插到文件中相當于上傳，會生成一個新的文件。這個不常用。所以實際上inset into語句的實際意義在于將查詢結果放到新的表中。

3. Delete

　　刪除數據一般可以不在hive中刪除，直接在hdfs上刪除文件。因為刪數據實際上就是刪除文件。例如要刪除之前插入到hive的t_log表day=2016-03-11分區下的log_2016-03-11.txt，可以執行如下命令：

#hdfs dfs -rm /user/hive/warehouse/t_log/day=2016-03-11/t_log-2016-03-11.txt

四、Hive UDF（Operators and User-Defined functions）

Hive Operators and User-Defined Functions (UDFs)

　　詳見官方文檔。

1. 內置運算符

關系運算符

　　見文檔

算術運算符

　　見文檔

邏輯運算符

　　見文檔

復雜類型構造函數（Complex Type Constructors）
- 復雜類型函數或對象的構建

　　【1】map（構造map對象）

　　Creates a map with the given key/value pairs. (key1,value1,key2,value2,…)

　　【2】struct（創建架構數組）

　　Creates a struct with the given field values. (val1,val2,val3,…)。Struct的屬性名和列名相對應。struct可以認為是面向對象的對象類型，是一個構造體，里面可以定義屬性的值，field的名稱是預先定義的，就像Java類的屬性預先定義好了。

　　【3】named_struct

　　Creates a struct with the given field names and values. (name1,val1,name2,val2, …)。根據給定的Struct的屬性名來創建構建數組

　　【4】array（創建數組對象）

　　Creates an array with the given elements. (val1,val2,val3,…)。把各（若干）個字段的值變成一個array。

　　【5】create_union

　　Creates a union type with value that is being pointes to by the tag parameter.

- 復雜類型函數的運算符

　　【1】A[n]

　　A是array類型，n是int類型。A[n]表示數組A的第n+1個元素。

　　【2】M[key]

　　M是map類型，key是map集合中鍵的類型。M[key]是取map集合中鍵為key的值。注意使用是key需要使用單引號。

　　【3】S.x

　　S是struct類型，x表示struct中的某個屬性。S.x，將會返回S這個struct中定義的x屬性型中存儲的值。

2. 內置函數

數學函數

集合操作函數

類型轉換函數

日期函數

條件/邏輯函數

　　略。

字符串函數

3. UDAF

　　UDAF和UDF的區別在于傳給函數的參數不一樣。UDF表示傳給函數的參數只有一個值或一行值；UDAF是給函數傳多個值或者多行值的函數，例如count(*)，sum(col)等都是多行的值。

　　UDAF(User- Defined Aggregation Funcation) 聚集函數，多進一出，例如count/max/min等。

4. UDTF

　　詳見文檔。

5. UDF

　　HivePlugins，Creating Custom UDFs。自定義函數需要以下幾個步驟：首先要自定義一個類，繼承UDF；其次，打成jar包；第三，將jar包加載到hive的classpath；第四，創建自定義函數；第五，使用函數。

　　例如，要創建一個將字符串轉成日期的函數。

自定義類

package com.huidoo.hive;

import java.text.SimpleDateFormat;
import java.util.Date;

import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.hive.serde2.io.TimestampWritable;
import org.apache.hadoop.io.Text;

public class StringToDate extends UDF {
    /**
     * 定義evaluate方法。返回值類型定義為TimestampWritable
     * @param str
     * @param datefmt
     * @return
     * @throws Exception 
     */
    public TimestampWritable evaluate(final Text str,final Text datefmt) throws Exception{
        SimpleDateFormat sdf= new SimpleDateFormat(datefmt.toString()); //datefmt是傳入的格式化字符串，需要創建SimpleDateFormat對象，Text類型要轉成Java中的String類型。
        Date date= sdf.parse(str.toString()); //將字符串str，按照格式sdf轉成java.util的Date類型
        TimestampWritable time=new TimestampWritable();//創建Hadoop的時間戳對象
        time.setTime(date.getTime());//將date轉成Timestamp類型，然后使用Hadoop時間戳對象設置成相應的時間。
        return time;
    }
}

打成jar包并上傳到服務器

　　略。std.jar

將jar包加載到hive的classpath

hive> add jar /path/to/std.jar;

創建函數

　　語法：create 函數名(不能與內置的一樣) as ‘自定義類的全限定名’;

hive> create function std as 'com.huidoo.hive.StringToDate';

　　這就創建了一個函數，名為std。

使用函數

hive> select std('2016-02-06 01:19:30','yyyy-MM-dd HH:mm:ss') from t_log limit 3;

五、Hive Select

1. 簡單查詢和使用/切換數據庫

hive> select * from table_name;

　　查看當前數據庫：

hive> SELECT current_database();

　　"db_name.table_name" allows a query to access tables in different databases.可以查詢不同數據庫中的表。

　　使用某數據庫：

hive> USE database_name;

2. where從句

hive>SELECT * FROM sales WHERE amount > 10 AND region = "US"

3. ALL and DISTINCT從句

　　使用distinct關鍵字去重查詢，如下列出兩個查詢的區別：

hive> SELECT col1, col2 FROM t1

1 3

1 4

2 5

hive> SELECT DISTINCT col1, col2 FROM t1

1 3

1 4

2 5

4. Join從句

　　join用于表連接。兩個表即兩個文件能連接起來就一定有相同點，這就是說其中一個文件中某域的值和另一個文件的某域的值相同，就可以連接。

hive> select col1,col2,col3 from t1 join t2 on+條件;

5. 基于Partition的查詢

　　這種查詢語法就只要把partition當成一個字段即可。如果查詢時要引入外鍵關聯表也可以使用JION…ON語句。

非關聯查詢

　　語法：

hive> select table_name.* from table_name where table_name.partition_name +條件;

　　案例：

SELECT page_views.*
FROM page_views
WHERE page_views.date >= '2016-03-01' AND page_views.date <= '2016-03-31'；

關聯查詢

　　語法：

hive> select table_name1.* from table_name1 join table_name2 on (table_name1.外鍵 = table_name2.主鍵 And table_name1.partiton_name +條件);

　　案例：

SELECT page_views.*
FROM page_views JOIN dim_users 
ON (page_views.user_id = dim_users.id AND page_views.date >= '2016-03-01' AND page_views.date <= '2016-03-31');

6. Group by從句

hive> select col[list] from table_name group by col;

7. Order/Sort by從句

　　sort by和order by的用法基本一致，都是做排序的，一般用order by。例如：

hive> select * from t_log order by id;

8. Having從句

　　having從句必須依附于group by從句，在group從句后面接having從句，相當于增加一個條件。having后面可以接聚合函數，例如sum、avg等。

單純的group by語句

hive> select day from t_log group by day;

　　其查詢結果為：

　　2016-03-11

　　2016-03-12

添加having從句

hive>select day from t_log group by day having avg(id)>150;

　　其查詢結果為：

　　2016-03-12

hiving同效于子查詢

hive> select day from (select day, avg(id) as avgid from t_log group by day) table2 where table2.avgid>150;

　　這里將t_log表通過select day, avg(id) as avgid from t_log group by day查詢得到的結果作為表再查詢的。和上述的hiving從句得到的結果一樣。

9. Limit從句

　　限定查詢返回的行數。

hive> select * from t_log limit 5;

posted @ 2018-03-11 11:20 Huidoo_Yang 閱讀(1712) 評論(0) 收藏舉報

刷新頁面返回頂部

Huidoo Yang

癡心象馬戲似小丑眼內希冀

Hive 編程之DDL、DML、UDF、Select總結

一、Hive命令行

二、Hive DDL（Data Definition Language）

1. 建表語法

2. 創建表案例一

3. 創建表案例二（分區表）

三、Hive DML（Data Manipulation Language）

1. Loading files into tables

2. Inserting data into hive tables from queries

3. Delete

四、Hive UDF（Operators and User-Defined functions）

1. 內置運算符

2. 內置函數

3. UDAF

4. UDTF

5. UDF

五、Hive Select

1. 簡單查詢和使用/切換數據庫

2. where從句

3. ALL and DISTINCT從句

4. Join從句

5. 基于Partition的查詢

6. Group by從句

7. Order/Sort by從句

8. Having從句

9. Limit從句

公告

Huidoo Yang

癡心象馬戲 似小丑眼內希冀

Hive 編程之DDL、DML、UDF、Select總結

一、Hive命令行

二、Hive DDL（Data Definition Language）

1. 建表語法

2. 創建表案例一

3. 創建表案例二（分區表）

三、Hive DML（Data Manipulation Language）

1. Loading files into tables

2. Inserting data into hive tables from queries

3. Delete

四、Hive UDF（Operators and User-Defined functions）

1. 內置運算符

2. 內置函數

3. UDAF

4. UDTF

5. UDF

五、Hive Select

1. 簡單查詢和使用/切換數據庫

2. where從句

3. ALL and DISTINCT從句

4. Join從句

5. 基于Partition的查詢

6. Group by從句

7. Order/Sort by從句

8. Having從句

9. Limit從句

公告

癡心象馬戲似小丑眼內希冀

2. 創建表案例一　　