本文目录（本文约六万五千字）
（一）基本概念、安装、数据类型
（二）DDL数据定义、DML数据操作
（三）查询、分区表和分桶表
（四）函数、压缩和存储
（五）企业级调优、Hive实战
（1）Hive是由 Facebook 开源用于解决海量结构化日志的数据统计工具；
（2）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；
（3）Hive的本质是将HQL转化成MapReduce程序。
（4）Hive 处理的数据存储在HDFS；
（5）Hive 分析数据底层的实现是MapReduce；
（6）执行程序运行在 Yarn 上。
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。
缺点
（1）Hive 的HQL 表达能力有限，迭代式算法无法表达，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，Hive 自动生成的MapReduce 作业，通常情况下不够智能化，Hive 调优比较困难，粒度较粗。
（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
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。
编译器（Physical Plan）：将AST 编译生成逻辑执行计划。
优化器（Query Optimizer）：对逻辑执行计划进行优化。
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。
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。
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。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。
（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。
（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。
（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。
（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。
1. 把 apache-hive-3.1.2-bin.tar.gz上传到 linux的 /opt/software目录下
2. 解压 apache-hive-3.1.2-bin.tar.gz到 /opt/module/目录下面
[Tom@hadoop102 software]$ tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
13. 修改 apache-hive-3.1.2-bin.tar.gz的名称为 hive-3.1.2
[Tom@hadoop102 software]$ mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive-3.1.2
14. 修改 /etc/profile.d/my_env.sh，添加环境变量
[Tom@hadoop102 software]$ sudo vim etc/profile.d/my_env.sh
15. 添加内容
#HIVE_HOME
export HIVE_HOME=/opt/module/hive-3.1.2
export PATH=$PATH:$HIVE_HOME/bin
1236. 解决日志 Jar包冲突
[Tom@hadoop102 software]$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j slf4j-impl-2.10.0.bak
17. 初始化元数据库
[Tomu@hadoop102 hive-3.1.2]$ bin/schematool -dbType derby -initSchema
18. 启动并使用Hive
[Tom@hadoop102 hive-3.1.2]$ bin/hive
hive (default)> show databases;
hive (default)> show tables;
hive (default)> create table test(id int);
hive (default)> insert into test values(1);
hive (default)> select * from test;
OK
test.id
1
Time taken: 0.39 seconds, Fetched: 1 row(s)
12345678910在 CRT窗口中开启另一个窗口，开启 Hive，在 /tmp/atguigu目录下监控 hive.log文件
Caused by: ERROR XSDB6:Another instance of Derby may have already booted the database /opt/module/hive/metastore_db.
at org.apache.derby.iapi.error.StandardException.newException(Unknown Source)
at org.apache.derby.iapi.error.StandardException.newException(Unknown
Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.privGetJBMSLockOnDB(Unknown Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.run(Unknown Source)
...
1234567原因在于Hive 默认使用的元数据库为derby ，开启 Hive之后就会占用元数据库， 且不与其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL 。
1. 检查当前系统是否安装过 MySQL
[Tom @hadoop102 ~]$ rpm -qa|grep mariadb
mariadb-libs-5.5.56-2.el7.x86_64
## 如果存在通过如下命令卸载
[Tom @hadoop102 ~]$ sudo rpm -e --nodeps mariadb-libs
12342. 将 MySQL安装包拷贝到 /opt/software目录下，并解压 MySQL安装包
[Tom @hadoop102 software]# tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
-rw-r--r--. 1 Tom Tom 609556480 6月 30 22:20 mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
-rw-r--r--. 1 Tom Tom 45109364 9月 30 2019 mysql-community-client-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 318768 9月 30 2019 mysql-community-common-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 7037096 9月 30 2019 mysql-community-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 49329100 9月 30 2019 mysql-community-embedded-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 23354908 9月 30 2019 mysql-community-embedded-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 136837816 9月 30 2019 mysql-community-embedded-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 4374364 9月 30 2019 mysql-community-libs-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 1353312 9月 30 2019 mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 208694824 9月 30 2019 mysql-community-server-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 133129992 9月 30 2019 mysql-community-test-5.7.28-1.el7.x86_64.rpm
1234567891011123. 在安装目录下执行rpm安装
[Tom @hadoop102 software ]$
sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28 1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
123456注意：按照顺序依次执行。如果Linux是最小化安装的，在安装 mysql-community-server-5.7.28-1.el7.x86_64.rpm时可能会出现如下错误
[Tom@hadoop102 software]$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-server-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥ID 5072e1f5: NOKEY
错误：依赖检测失败：
libaio.so.1()(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.1)(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.4)(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
123456通过 yum安装缺少的依赖 ,然后重新安装 mysql-community-server-5.7.28-1.el7.x86_64即可
[Tom@hadoop102 software] yum install -y libaio
14. 删除 /etc/my.cnf文件中 datadir指向的目录下的所有内容，如果有内容的情况下 :
查看 datadir 的值
[mysqld]
datadir=/var/lib/mysql
12删除 /var/lib/mysql目录下的所有内容 :
[Tom @hadoop102 mysql] # cd /var/lib/mysql
[Tom @hadoop102 mysql] # sudo rm -rf ./*
125. 初始化数据库
[Tom@hadoop102 opt]$ sudo mysqld --initialize --user=mysql
16. 查看临时生成的 root用户的密码
[Tom @hadoop102 opt] $ sudo cat /var/log/mysqld.log
1
7. 启动 MySQL服务
[Tom@hadoop102 opt]$ sudo systemctl start mysqld
18. 登录 MySQL数据库
[Tom@hadoop102 opt]$ mysql -uroot -p
Enter password: 输入临时生成的密码
129. 必须先修改 root用户的密码 ，否则执行其他的操作会报错
mysql> set password = password("新密码");
1修改 mysql库下的 user表中的 root用户，允许任意 ip连接
mysql>update mysql.user set host='%' where user='root';
mysql> flush privileges;
121. 拷贝驱动
将MySQL的 JDBC驱动拷贝到 Hive的 lib目录下
[Tom@hadoop102 software]$ cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib
12. 配置 Metastore到 MySQL
（1）在 $HIVE_HOME/conf目录下新建 hive-site.xml文件
[Tom@hadoop102 software]$ vim $HIVE_HOME/conf/hive site.xml
1添加如下内容
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
javax.jdo.option.ConnectionURL
jdbc:mysql://hadoop102:3306/metastore?useSSL=false
javax.jdo.option.ConnectionDriverName
com.mysql.jdbc.Driver
javax.jdo.option.ConnectionUserName
root
javax.jdo.option.ConnectionPassword
000000
hive.metastore.schema.verification
false
hive.metastore.event.db.notification.api.auth
false
hive.metastore.warehouse.dir
/user/hive/warehouse
1234567891011121314151617181920212223242526272829303132333435363738394041424344 （2）登录MySQL
[Tom@hadoop102 software]$ mysql -uroot -p000000
1（3）新建 Hive元数据库
mysql> create database metastore;
mysql> quit;
12（4）初始化Hive元数据库
[Tom@hadoop102 software]$ schematool -initSchema -dbType mysql -verbose
13. 再次启动Hive
（1）启动Hive
[Tom@hadoop102 hive-3.1.2]$ bin/hive
1（2）使用Hive
hive> show databases;
hive> show tables;
hive> create table test (id int);
hive> insert into test values(1);
hive select * from test;
12345（3）在CRT窗口中开启另一个窗口开启 Hive
hive> show databases;
hive> show tables;
hive select * from aa;
1231. 在 hive-site.xml文件中添加如下配置信息
hive.metastore.uris
thrift://hadoop102:9083
123452. 启动 metastore
[Tom@hadoop202 hive-3.1.2]$ hive --service metastore
2020-08-28 16:58:08: Starting Hive Metastore Server
12注意：启动后窗口不能再操作 ，需打开一个新的 shell 窗口做别的操作
（3）启动Hive
[Tom@hadoop103 hive-3.1.2]$ bin/hive
1（1）在 hive-site.xml文件中添加如下配置信息
hive.server2.thrift.bind.host
hadoop102
hive.server2.thrift.port
10000
1234567891011（2）启动hiveserver2
[Tom@hadoop102 hive-3.1.2]$ bin/hive--service hiveserver2
1（3）启动 beeline客户端（需要多等待一会）
[Tom@hadoop102 hive-3.1.2]$ bin/ beeline u jdbc:hive2://hadoop102:10000 -n Tom
1（4）看到如下界面
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>
123456（5）编写 hive服务启动脚本
[Tom@hadoop102 hive-3.1.2]$ vim $HIVE_HOME/bin/hiveservices.sh
1#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常，参数1为进程名，参数2为进程端口
function check_process()
{
pid=$(ps -ef 2>/dev/null| grep -v grep | grep -i $1 | awk '{print $2}')
ppid=$(netstat -nltp 2>/dev/null| grep $2 | awk '{print $7}' | cut -d '/' -f 1)
echo $pid
[[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}
function hive_start()
{
metapid=$(check_process HiveMetastore 9083)
cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
[ -z "$metapid" ] && eval $cmd || echo "Metastroe服务已启动"
server2pid=$(check_process HiveServer2 10000)
cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
[ -z "$server2pid" ] && eval $cmd || echo "HiveServer2服务已启动"
}
function hive_stop()
{
metapid=$(check_process HiveMetastore 9083)
[ "$metapid" ] && kill $metapid || echo "Metastore服务未启动"
server2pid=$(check_process HiveServer2 10000)
[ "$server2pid" ] && kill $server2pid || echo "HiveServer2服务未启动"
}
case $1 in
"start")
hive_start
;;
"stop")
hive_stop
;;
"restart")
hive_stop
sleep 2
hive_start
;;
"status")
check_process HiveMetastore 9083 >/dev/null&& echo "Metastore服务运行正常" || echo "Metastore服务运行异常"
check_process HiveServer2 10000 >/dev/null&& echo "HiveServer2服务运行正常" || echo "HiveServer2服务运行异常"
;;
*)
echo Invalid Args!
echo 'Usage: '$(basename $0)' start|stop|restart|status'
;;
esac
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354添加执行权限
[Tom@hadoop102 hive-3.1.2]$ chmod +x $HIVE_HOME/bin/hiveservices.sh
1启动 Hive后台服务
[Tom@hadoop102 hive-3.1.2]$ hiveservices.sh start
1[Tom@hadoop102 hive-3.1.2]$ bin/hive -help
usage: hive
-d,--define Variable substitution to apply to Hive
commands. e.g. -d A=B or --define A=B
--database Specify the database to use
-e SQL from command line
-f SQL from files
-H,--help Print help information
--hiveconf Use value for given property
--hivevar Variable substitution to apply to Hive
commands. e.g. --hivevar A=B
-i Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the
console)
123456789101112131415 1. “-e”不进入 hive的交互窗口执行 sql语句
[Tom@hadoop102 hive-3.1.2]$ bin/hive -e "select id from student;"
12. “-f”执行脚本中的sql语句
（1）在 /opt/module/hive/下创建 datas目录，并在 datas目录下创建 hivef.sql文件
[Tom@hadoop102 datas]$ touch hivef.sql
1（2）文件中写入正确的 sql 语句
select *from student;
1（3）执行文件中的 sql语句
[Tom@hadoop102 hive-3.1.2]$ bin/hive -f /opt/module/hive/datas/hivef.sql
1（4）执行文件中的 sql 语句并将结果写入文件中
[Tom@hadoop102 hive-3.1.2]$ bin/hive -f /opt/module/ hive/ datas/hivef.sql > /opt/module/datas/hive_result.txt
13. 退出Hive窗口
hive(default)>exit;
hive(default)>quit;
124. 在 hive cli命令窗口中如何查看 hdfs文件系统
hive(default)>dfs ls /;
15. 查看在 hive中输入的所有历史命令
（1）进入到当前用户的根目录 /root或 /home/Tom
（2）查看 . hivehistory文件
[Tom@hadoop102 ~]$ cat .hivehistory
11. Hive 运行日志信息配置
（1）Hive的 log 默认存放在 /tmp/Tom/hive.log目录下（当前用户名下）
（2）修改 hive的 log存放日志到 /opt/module/hive-3.1.2/logs
修改 /opt/module/hive/conf/hive-log4j2.properties.template文件名称为hive-log4j2.properties
[Tom@hadoop102 conf]$ pwd
/opt/module/hive-3.1.2/conf
[Tom@hadoop102 conf]$ mv hive-log4j2.properties.template hive-log4j2.properties
123在 hive-log4j2.properties文件中修改 log存放位置
hive.log.dir=/opt/module/hive/logs
12. 打印当前库和表头
在hive-site.xml中加入如下两个配置 :
hive.cli.print.header
true
hive.cli.print.current.db
true
123456783. 参数配置方式
（1）查看当前所有的配置信息
hive>set;
1（2）参数的配置三种方式
Ⅰ默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
注意：用户自定义配置会覆盖默认配置。 另外，Hive 也会读入 Hadoop的配置， 因为 Hive是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。
Ⅱ 命令行参数方式
启动Hive 时，可以在命令行添加 hiveconf param=value 来设定参数。如：
[Tom@hadoop102 hive-3.1.2]$ bin/hive -hiveconf mapred.reduce.tasks=10;
1注意：仅对本次hive 启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
1Ⅲ 参数声明方式
可以在HQL 中使用 SET 关键字设定参数，如：
[Tom@hadoop102 hive-3.1.2]$ bin/hive -hiveconf mapred.reduce.tasks=100;
1注意：仅对本次hive 启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
1上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。
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。
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。
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,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
12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
hive (default)> 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 '
';
OK
Time taken: 0.933 seconds
123456789101112 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 ‘
’; – 行分隔符
（4）导入文本数据到测试表
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/test.txt' into table test;
Loading data to table default.test
OK
Time taken: 0.893 seconds
1234（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: 0.386 seconds, Fetched: 1 row(s)
123456Hive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。1 基本概念
（1）Hive是由 Facebook 开源用于解决海量结构化日志的数据统计工具；
（2）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；
（3）Hive的本质是将HQL转化成MapReduce程序。
（4）Hive 处理的数据存储在HDFS；
（5）Hive 分析数据底层的实现是MapReduce；
（6）执行程序运行在 Yarn 上。
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。
缺点
（1）Hive 的HQL 表达能力有限，迭代式算法无法表达，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，Hive 自动生成的MapReduce 作业，通常情况下不够智能化，Hive 调优比较困难，粒度较粗。
（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
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。
编译器（Physical Plan）：将AST 编译生成逻辑执行计划。
优化器（Query Optimizer）：对逻辑执行计划进行优化。
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。
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。
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。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。
（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。
（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。
（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。
（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。
1. 把 apache-hive-3.1.2-bin.tar.gz上传到 linux的 /opt/software目录下
2. 解压 apache-hive-3.1.2-bin.tar.gz到 /opt/module/目录下面
[Tom@hadoop102 software]$ tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
13. 修改 apache-hive-3.1.2-bin.tar.gz的名称为 hive-3.1.2
[Tom@hadoop102 software]$ mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive-3.1.2
14. 修改 /etc/profile.d/my_env.sh，添加环境变量
[Tom@hadoop102 software]$ sudo vim etc/profile.d/my_env.sh
15. 添加内容
#HIVE_HOME
export HIVE_HOME=/opt/module/hive-3.1.2
export PATH=$PATH:$HIVE_HOME/bin
1236. 解决日志 Jar包冲突
[Tom@hadoop102 software]$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j slf4j-impl-2.10.0.bak
17. 初始化元数据库
[Tomu@hadoop102 hive-3.1.2]$ bin/schematool -dbType derby -initSchema
18. 启动并使用Hive
[Tom@hadoop102 hive-3.1.2]$ bin/hive
hive (default)> show databases;
hive (default)> show tables;
hive (default)> create table test(id int);
hive (default)> insert into test values(1);
hive (default)> select * from test;
OK
test.id
1
Time taken: 0.39 seconds, Fetched: 1 row(s)
12345678910在 CRT窗口中开启另一个窗口，开启 Hive，在 /tmp/atguigu目录下监控 hive.log文件
Caused by: ERROR XSDB6:Another instance of Derby may have already booted the database /opt/module/hive/metastore_db.
at org.apache.derby.iapi.error.StandardException.newException(Unknown Source)
at org.apache.derby.iapi.error.StandardException.newException(Unknown
Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.privGetJBMSLockOnDB(Unknown Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.run(Unknown Source)
...
1234567原因在于Hive 默认使用的元数据库为derby ，开启 Hive之后就会占用元数据库， 且不与其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL 。
1. 检查当前系统是否安装过 MySQL
[Tom @hadoop102 ~]$ rpm -qa|grep mariadb
mariadb-libs-5.5.56-2.el7.x86_64
## 如果存在通过如下命令卸载
[Tom @hadoop102 ~]$ sudo rpm -e --nodeps mariadb-libs
12342. 将 MySQL安装包拷贝到 /opt/software目录下，并解压 MySQL安装包
[Tom @hadoop102 software]# tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
-rw-r--r--. 1 Tom Tom 609556480 6月 30 22:20 mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
-rw-r--r--. 1 Tom Tom 45109364 9月 30 2019 mysql-community-client-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 318768 9月 30 2019 mysql-community-common-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 7037096 9月 30 2019 mysql-community-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 49329100 9月 30 2019 mysql-community-embedded-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 23354908 9月 30 2019 mysql-community-embedded-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 136837816 9月 30 2019 mysql-community-embedded-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 4374364 9月 30 2019 mysql-community-libs-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 1353312 9月 30 2019 mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 208694824 9月 30 2019 mysql-community-server-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 Tom Tom 133129992 9月 30 2019 mysql-community-test-5.7.28-1.el7.x86_64.rpm
1234567891011123. 在安装目录下执行rpm安装
[Tom @hadoop102 software ]$
sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28 1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
123456注意：按照顺序依次执行。如果Linux是最小化安装的，在安装 mysql-community-server-5.7.28-1.el7.x86_64.rpm时可能会出现如下错误
[Tom@hadoop102 software]$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-server-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥ID 5072e1f5: NOKEY
错误：依赖检测失败：
libaio.so.1()(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.1)(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.4)(64bit) 被mysql-community-server-5.7.28-1.el7.x86_64 需要
123456通过 yum安装缺少的依赖 ,然后重新安装 mysql-community-server-5.7.28-1.el7.x86_64即可
[Tom@hadoop102 software] yum install -y libaio
14. 删除 /etc/my.cnf文件中 datadir指向的目录下的所有内容，如果有内容的情况下 :
查看 datadir 的值
[mysqld]
datadir=/var/lib/mysql
12删除 /var/lib/mysql目录下的所有内容 :
[Tom @hadoop102 mysql] # cd /var/lib/mysql
[Tom @hadoop102 mysql] # sudo rm -rf ./*
125. 初始化数据库
[Tom@hadoop102 opt]$ sudo mysqld --initialize --user=mysql
16. 查看临时生成的 root用户的密码
[Tom @hadoop102 opt] $ sudo cat /var/log/mysqld.log
1
7. 启动 MySQL服务
[Tom@hadoop102 opt]$ sudo systemctl start mysqld
18. 登录 MySQL数据库
[Tom@hadoop102 opt]$ mysql -uroot -p
Enter password: 输入临时生成的密码
129. 必须先修改 root用户的密码 ，否则执行其他的操作会报错
mysql> set password = password("新密码");
1修改 mysql库下的 user表中的 root用户，允许任意 ip连接
mysql>update mysql.user set host='%' where user='root';
mysql> flush privileges;
121. 拷贝驱动
将MySQL的 JDBC驱动拷贝到 Hive的 lib目录下
[Tom@hadoop102 software]$ cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib
12. 配置 Metastore到 MySQL
（1）在 $HIVE_HOME/conf目录下新建 hive-site.xml文件
[Tom@hadoop102 software]$ vim $HIVE_HOME/conf/hive site.xml
1添加如下内容
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
javax.jdo.option.ConnectionURL
jdbc:mysql://hadoop102:3306/metastore?useSSL=false
javax.jdo.option.ConnectionDriverName
com.mysql.jdbc.Driver
javax.jdo.option.ConnectionUserName
root
javax.jdo.option.ConnectionPassword
000000
hive.metastore.schema.verification
false
hive.metastore.event.db.notification.api.auth
false
hive.metastore.warehouse.dir
/user/hive/warehouse
1234567891011121314151617181920212223242526272829303132333435363738394041424344 （2）登录MySQL
[Tom@hadoop102 software]$ mysql -uroot -p000000
1（3）新建 Hive元数据库
mysql> create database metastore;
mysql> quit;
12（4）初始化Hive元数据库
[Tom@hadoop102 software]$ schematool -initSchema -dbType mysql -verbose
13. 再次启动Hive
（1）启动Hive
[Tom@hadoop102 hive-3.1.2]$ bin/hive
1（2）使用Hive
hive> show databases;
hive> show tables;
hive> create table test (id int);
hive> insert into test values(1);
hive select * from test;
12345（3）在CRT窗口中开启另一个窗口开启 Hive
hive> show databases;
hive> show tables;
hive select * from aa;
1231. 在 hive-site.xml文件中添加如下配置信息
hive.metastore.uris
thrift://hadoop102:9083
123452. 启动 metastore
[Tom@hadoop202 hive-3.1.2]$ hive --service metastore
2020-08-28 16:58:08: Starting Hive Metastore Server
12注意：启动后窗口不能再操作 ，需打开一个新的 shell 窗口做别的操作
（3）启动Hive
[Tom@hadoop103 hive-3.1.2]$ bin/hive
1（1）在 hive-site.xml文件中添加如下配置信息
hive.server2.thrift.bind.host
hadoop102
hive.server2.thrift.port
10000
1234567891011（2）启动hiveserver2
[Tom@hadoop102 hive-3.1.2]$ bin/hive--service hiveserver2
1（3）启动 beeline客户端（需要多等待一会）
[Tom@hadoop102 hive-3.1.2]$ bin/ beeline u jdbc:hive2://hadoop102:10000 -n Tom
1（4）看到如下界面
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>
123456（5）编写 hive服务启动脚本
[Tom@hadoop102 hive-3.1.2]$ vim $HIVE_HOME/bin/hiveservices.sh
1#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常，参数1为进程名，参数2为进程端口
function check_process()
{
pid=$(ps -ef 2>/dev/null| grep -v grep | grep -i $1 | awk '{print $2}')
ppid=$(netstat -nltp 2>/dev/null| grep $2 | awk '{print $7}' | cut -d '/' -f 1)
echo $pid
[[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}
function hive_start()
{
metapid=$(check_process HiveMetastore 9083)
cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
[ -z "$metapid" ] && eval $cmd || echo "Metastroe服务已启动"
server2pid=$(check_process HiveServer2 10000)
cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
[ -z "$server2pid" ] && eval $cmd || echo "HiveServer2服务已启动"
}
function hive_stop()
{
metapid=$(check_process HiveMetastore 9083)
[ "$metapid" ] && kill $metapid || echo "Metastore服务未启动"
server2pid=$(check_process HiveServer2 10000)
[ "$server2pid" ] && kill $server2pid || echo "HiveServer2服务未启动"
}
case $1 in
"start")
hive_start
;;
"stop")
hive_stop
;;
"restart")
hive_stop
sleep 2
hive_start
;;
"status")
check_process HiveMetastore 9083 >/dev/null&& echo "Metastore服务运行正常" || echo "Metastore服务运行异常"
check_process HiveServer2 10000 >/dev/null&& echo "HiveServer2服务运行正常" || echo "HiveServer2服务运行异常"
;;
*)
echo Invalid Args!
echo 'Usage: '$(basename $0)' start|stop|restart|status'
;;
esac
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354添加执行权限
[Tom@hadoop102 hive-3.1.2]$ chmod +x $HIVE_HOME/bin/hiveservices.sh
1启动 Hive后台服务
[Tom@hadoop102 hive-3.1.2]$ hiveservices.sh start
1[Tom@hadoop102 hive-3.1.2]$ bin/hive -help
usage: hive
-d,--define Variable substitution to apply to Hive
commands. e.g. -d A=B or --define A=B
--database Specify the database to use
-e SQL from command line
-f SQL from files
-H,--help Print help information
--hiveconf Use value for given property
--hivevar Variable substitution to apply to Hive
commands. e.g. --hivevar A=B
-i Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the
console)
123456789101112131415 1. “-e”不进入 hive的交互窗口执行 sql语句
[Tom@hadoop102 hive-3.1.2]$ bin/hive -e "select id from student;"
12. “-f”执行脚本中的sql语句
（1）在 /opt/module/hive/下创建 datas目录，并在 datas目录下创建 hivef.sql文件
[Tom@hadoop102 datas]$ touch hivef.sql
1（2）文件中写入正确的 sql 语句
select *from student;
1（3）执行文件中的 sql语句
[Tom@hadoop102 hive-3.1.2]$ bin/hive -f /opt/module/hive/datas/hivef.sql
1（4）执行文件中的 sql 语句并将结果写入文件中
[Tom@hadoop102 hive-3.1.2]$ bin/hive -f /opt/module/ hive/ datas/hivef.sql > /opt/module/datas/hive_result.txt
13. 退出Hive窗口
hive(default)>exit;
hive(default)>quit;
124. 在 hive cli命令窗口中如何查看 hdfs文件系统
hive(default)>dfs ls /;
15. 查看在 hive中输入的所有历史命令
（1）进入到当前用户的根目录 /root或 /home/Tom
（2）查看 . hivehistory文件
[Tom@hadoop102 ~]$ cat .hivehistory
11. Hive 运行日志信息配置
（1）Hive的 log 默认存放在 /tmp/Tom/hive.log目录下（当前用户名下）
（2）修改 hive的 log存放日志到 /opt/module/hive-3.1.2/logs
修改 /opt/module/hive/conf/hive-log4j2.properties.template文件名称为hive-log4j2.properties
[Tom@hadoop102 conf]$ pwd
/opt/module/hive-3.1.2/conf
[Tom@hadoop102 conf]$ mv hive-log4j2.properties.template hive-log4j2.properties
123在 hive-log4j2.properties文件中修改 log存放位置
hive.log.dir=/opt/module/hive/logs
12. 打印当前库和表头
在hive-site.xml中加入如下两个配置 :
hive.cli.print.header
true
hive.cli.print.current.db
true
123456783. 参数配置方式
（1）查看当前所有的配置信息
hive>set;
1（2）参数的配置三种方式
Ⅰ默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
注意：用户自定义配置会覆盖默认配置。 另外，Hive 也会读入 Hadoop的配置， 因为 Hive是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。
Ⅱ 命令行参数方式
启动Hive 时，可以在命令行添加 hiveconf param=value 来设定参数。如：
[Tom@hadoop102 hive-3.1.2]$ bin/hive -hiveconf mapred.reduce.tasks=10;
1注意：仅对本次hive 启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
1Ⅲ 参数声明方式
可以在HQL 中使用 SET 关键字设定参数，如：
[Tom@hadoop102 hive-3.1.2]$ bin/hive -hiveconf mapred.reduce.tasks=100;
1注意：仅对本次hive 启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
1上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。
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。
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。
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,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
12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
hive (default)> 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 '
';
OK
Time taken: 0.933 seconds
123456789101112 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 ‘
’; – 行分隔符
（4）导入文本数据到测试表
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/test.txt' into table test;
Loading data to table default.test
OK
Time taken: 0.893 seconds
1234（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: 0.386 seconds, Fetched: 1 row(s)
123456Hive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。
CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];
1234（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;
OK
Time taken: 0.12 seconds
123（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;
OK
Time taken: 0.044 seconds
12345（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';
OK
Time taken: 0.07 seconds
123
1. 显示数据库
（1）显示数据库
hive (default)> show databases;
OK
database_name
db_hive
db_hive2
default
Time taken: 0.054 seconds, Fetched: 3 row(s)
1234567（2）过滤显示查询的数据库
hive (default)> show databases like 'db_hive*';
OK
database_name
db_hive
db_hive2
Time taken: 0.036 seconds, Fetched: 2 row(s)
1234562. 查看数据库详情
（1）显示数据库信息
hive (default)> desc database db_hive;
OK
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db Tom USER
Time taken: 0.057 seconds, Fetched: 1 row(s)
12345（2）显示数据库详细信息，extended
hive (default)> desc database extended db_hive;
OK
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db Tom USER
Time taken: 0.074 seconds, Fetched: 1 row(s)
123453. 切换当前数据库
hive (default)> use db_hive;
OK
Time taken: 0.057 seconds
hive (db_hive)>
1234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 (db_hive)> alter database db_hive
> set dbproperties('createtime'='20210828');
OK
Time taken: 0.101 seconds
1234在hive中查看修改结果
hive (db_hive)> desc database extended db_hive;
OK
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db Tom USER {createtime=20210828}
Time taken: 0.072 seconds, Fetched: 1 row(s)
12345（1）删除空数据库
hive (db_hive)> drop database db_hive2;
OK
Time taken: 0.095 seconds
123（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 (db_hive)> drop database db_hive2;
FAILED: SemanticException [Error 10072]: Database does not exist: db_hive2
hive (db_hive)> drop database if exists db_hive2;
OK
Time taken: 0.025 seconds
12345（3）如果数据库不为空，可以采用 cascade 命令，强制删除
hive (db_hive)> drop database db_hive;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. InvalidOperationException(message:Database db_hive is not empty. One or more tables exist.)
hive (db_hive)> drop database db_hive cascade;
OK
Time taken: 0.364 seconds
123451. 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]
12345678910112. 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. 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
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）普通创建表
hive (default)> create table if not exists student(
> id int, name string
> )
> row format delimited fields terminated by ' '
> stored as textfile
> location '/user/hive/warehouse/student';
OK
Time taken: 0.397 seconds
12345678（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）
hive (default)> create table if not exists student2 as select id, name from student;
1（3）根据已经存在的表结构创建表
hive (default)> create table if not exists student3 like student;
OK
Time taken: 0.145 seconds
123（4）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
121. 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
创建学生表
student：
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss1
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16
12345678910111213141516（1）上传数据到HDFS
hive (default)> dfs -mkdir /student;
hive (default)> dfs -put /opt/module/hive-3.1.2/data/student.txt /student;
12（2）创建表并载入数据
hive (default)> create external table if not exists student(
> id int,
> name string
> )
> row format delimited fields terminated by ' ';
OK
Time taken: 0.091 seconds
hive (default)> load data inpath '/student/student.txt' into table default.student;
Loading data to table default.student
OK
Time taken: 0.419 seconds
1234567891011（3）查看表的类型
hive (default)> desc formatted student;
Table Type: EXTERNAL_TABLE
12（4）删除外部表
hive (default)> drop table student;
OK
Time taken: 0.168 seconds
123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。
（1）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
12（2）修改内部表 student2为外部表
hive (default)> alter table student2 set tblproperties('EXTERNAL'='TRUE');
OK
Time taken: 0.174 seconds
123（3）查询表的类型
Table Type: EXTERNAL_TABLE
1（4）修改外部表 student2为内部表
hive (default)> alter table student2 set tblproperties('EXTERNAL'='FALSE');
OK
Time taken: 0.153 seconds
123（5）查询表的类型
Table Type: MANAGED_TABLE
1注意：(‘EXTERNAL’=‘TRUE’)和 (‘EXTERNAL’=‘FALSE’)为固定写法，区分大小写
1. 重命名表
（1）语法
ALTER TABLE table_name RENAME TO new_table_name
1（2）实操案例
hive (default)> alter table student2 rename to student4;
OK
Time taken: 0.258 seconds
1232. 增加/修改/替换列信息
更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name
column_type [COMMENT col_comment] [FIRST|AFTER column_name]
12增加和替换列
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT
col_comment], ...)
12ADD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。
（1）查询表结构
hive (default)> desc dept;
OK
col_name data_type comment
deptno int
dname string
loc int
Time taken: 0.099 seconds, Fetched: 3 row(s)
1234567（2）添加列
hive (default)> alter table dept add columns(deptdesc string);
OK
Time taken: 0.138 seconds
123（3）查询表结构
hive (default)> desc dept;
OK
col_name data_type comment
deptno int
dname string
loc int
deptdesc string
Time taken: 0.056 seconds, Fetched: 4 row(s)
12345678（3）更新列
hive (default)> alter table dept change column deptdesc desc string;
OK
Time taken: 0.192 seconds
123（3）查询表结构
hive (default)> desc dept;
OK
col_name data_type comment
deptno int
dname string
loc int
desc string
Time taken: 0.064 seconds, Fetched: 4 row(s)
12345678（3）替换列
hive (default)> alter table dept replace columns(deptno string, dname string, loc string);
OK
Time taken: 0.149 seconds
123（3）查询表结构
hive (default)> desc dept;
OK
col_name data_type comment
deptno string
dname string
loc string
Time taken: 0.064 seconds, Fetched: 3 row(s)
1234567hive (default)> drop table dept;
OK
Time taken: 1.901 seconds
1231. 向表中装载数据（load）
hive> load data [local] inpath ' 数据的 path ' overwrite into table
student [partition (partcol1=val1,…)];
12（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
（1）创建一张表
hive (default)> create table student(id string, name string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.878 seconds
1234（2）加载本地文件到 hive
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/student.txt' into table student;
Loading data to table default.student
OK
Time taken: 2.725 seconds
1234（3）加载 HDFS文件到 hive中
hive (default)> dfs -put /opt/module/hive-3.1.2/data/student.txt /student;
hive (default)> load data inpath '/student' into table student;
Loading data to table default.student
OK
Time taken: 0.712 seconds
12345（4）加载数据覆盖表中已有的数据
hive (default)> dfs -put /opt/module/hive-3.1.2/data/student.txt /student;
hive (default)> load data inpath '/student/student.txt' overwrite into table student;
Loading data to table default.student
OK
Time taken: 0.501 seconds
123453. 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 ' ';
OK
Time taken: 0.225 seconds
1234（2）基本插入数据
hive (default)> insert into table student_par
> values(1, 'liubai'), (2, 'junmo');
12（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='201609';
12insert 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';
123454. 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）
hive (default)> create table if not exists student3
> as select id, name from student;
125. 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 -put /opt/module/hive-3.1.2/data/student.txt /student;
1（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 ' '
> location '/student';
Time taken: 0.111 seconds
123456（3）查询数据
hive (default)> select * from student5;
OK
student5.id student5.name
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
Time taken: 0.275 seconds, Fetched: 16 row(s)
12345678910111213141516171819206. 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
> '/student';
Copying data from hdfs://hadoop102:8020/student/data
Copying file: hdfs://hadoop102:8020/student/data/student.txt
Loading data to table default.student2
OK
Time taken: 1.234 seconds
12345671. Insert 导出
（1）将查询的结果导出到本地
hive (default)> insert overwrite local directory '/opt/module/hive-3.1.2/data/student'
> select * from student;
12（2）将查询的结果格式化导出到本地
hive (default)> insert overwrite local directory
> '/opt/module/hive-3.1.2/data/student'
> row format delimited fields terminated by ' '
> select * from student;
1234（3）将查询的结果导出到 HDFS上 (没有 local)
hive (default)> insert overwrite directory '/student'
> row format delimited fields terminated by ' '
> select * from student;
1232. Hadoop 命令导出到本地
hive (default)> dfs -get /user/hive/warehouse/student/student.txt /opt/module/hive-3.1.2/data/student;
13. Hive Shell 命令导出
基本语法：hive -f/-e 执行语句或者脚本 > file
[Tom@hadoop102 hive-3.1.2]$ bin/hive -e 'select * from default.student;' > /opt/module/hive-3.1.2/data/student/student2.txt;
14. Export导出到 HDFS上
export和 import主要用于 两个 Hadoop平台集群之间 Hive表迁移。
hive (default)> export table default.student to
> '/student';
OK
Time taken: 1.434 seconds
12345. 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;
OK
Time taken: 0.353 seconds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]
123456781. 数据准备
（1）原始数据
dept：
10 ACCOUNTING 1700
20 RESEARCH 1800
30 SALES 1900
40 OPERATIONS 1700
1234emp：
369 SMITH CLERK 7902 1980-12-17 800.00 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30
7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 30
7566 JONES MANAGER 7839 1981-4-2 2975.00 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.00 30
7782 CLARK MANAGER 7839 1981-6-9 2450.00 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.00 20
7839 KING PRESIDENT 1981-11-17 5000.00 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.00 0.00 30
7876 ADAMS CLERK 7788 1987-5-23 1100.00 20
7900 JAMES CLERK 7698 1981-12-3 950.00 30
7902 FORD ANALYST 7566 1981-12-3 3000.00 20
7934 MILLER CLERK 7782 1982-1-23 1300.00 10
7534 MILLER CLERK 7782 1982-10-23 1300.00 50
123456789101112131415（2）创建部门表
create table if not exists dept(
deptno int,
dname string,
loc int
)
row format delimited fields terminated by ' ';
123456（3）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 ' ';
12345678910（4）导入数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept.txt' into table dept;
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/emp.txt' into table emp;
122. 全表查询
hive (default)> select * from emp;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10
7534 MILLER CLERK 7782 1982-10-23 1300.0 NULL 50
Time taken: 0.271 seconds, Fetched: 15 row(s)
hive (default)> select empno, ename, job, mgr, hiredate, sal, comm, deptno from emp;
OK
empno ename job mgr hiredate sal comm deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10
7534 MILLER CLERK 7782 1982-10-23 1300.0 NULL 50
Time taken: 0.323 seconds, Fetched: 15 row(s)
12345678910111213141516171819202122232425262728293031323334353637383. 选择特定列查询
hive (default)> select empno, ename from emp;
OK
empno ename
7369 SMITH
7499 ALLEN
7521 WARD
7566 JONES
7654 MARTIN
7698 BLAKE
7782 CLARK
7788 SCOTT
7839 KING
7844 TURNER
7876 ADAMS
7900 JAMES
7902 FORD
7934 MILLER
7534 MILLER
Time taken: 0.279 seconds, Fetched: 15 row(s)
12345678910111213141516171819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。
重命名一个列便于计算。命名方法为紧跟列名，也可以在列名和别名之间加入关键字AS。
实例：查询名称和部门
hive (default)> select ename as name, deptno dn from emp;
OK
name dn
SMITH 20
ALLEN 30
WARD 30
JONES 20
MARTIN 30
BLAKE 30
CLARK 10
SCOTT 20
KING 10
TURNER 30
ADAMS 20
JAMES 30
FORD 20
MILLER 10
MILLER 50
Time taken: 0.289 seconds, Fetched: 15 row(s)
12345678910111213141516171819
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;
OK
_c0
801.0
1601.0
1251.0
2976.0
1251.0
2851.0
2451.0
3001.0
5001.0
1501.0
1101.0
951.0
3001.0
1301.0
1301.0
Time taken: 0.79 seconds, Fetched: 15 row(s)
12345678910111213141516171819（1）求总行数（count）
hive (default)> select count(*) cnt from emp;
OK
cnt
15
Time taken: 20.637 seconds, Fetched: 1 row(s)
12345（2）求工资的最大值（max）
hive (default)> select max(sal) max_sal from emp;
OK
max_sal
5000.0
Time taken: 19.305 seconds, Fetched: 1 row(s)
12345（3）求工资的最小值（min）
hive (default)> select min(sal) min_sal from emp;
OK
min_sal
800.0
Time taken: 31.402 seconds, Fetched: 1 row(s)
12345（4）求工资的总和（sum）
hive (default)> select sum(sal) sum_sal from emp;
OK
sum_sal
30325.0
Time taken: 8.185 seconds, Fetched: 1 row(s)
12345（5）求工资的平均值（avg）
hive (default)> select avg(sal) avg_sal from emp;
OK
avg_sal
2021.6666666666667
Time taken: 8.706 seconds, Fetched: 1 row(s)
12345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 3;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
Time taken: 0.318 seconds, Fetched: 3 row(s)
hive (default)> select sal from emp limit 5;
OK
sal
800.0
1600.0
1250.0
2975.0
1250.0
Time taken: 0.298 seconds, Fetched: 5 row(s)
12345678910111213141516使用 WHERE 子句，将不满足条件的行过滤掉。
WHERE 子句紧随 FROM 子句。WHERE 子句中不能使用字段别名。
例：查询出薪水大于2000 的所有员工：
hive (default)> select * from emp where sal > 2000;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
Time taken: 0.324 seconds, Fetched: 6 row(s)
12345678910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。
例：（1）查询出薪水等于 5000 的所有员工
hive (default)> select * from emp where sal=5000;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
Time taken: 0.312 seconds, Fetched: 1 row(s)
12345（2）查询工资在 800到 950 的员工信息
hive (default)> select * from emp where sal between 800 and 950;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
Time taken: 0.267 seconds, Fetched: 2 row(s)
123456（3）查询 comm 为空的所有员工信息
hive (default)> select * from emp where comm is null;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10
7534 MILLER CLERK 7782 1982-10-23 1300.0 NULL 50
Time taken: 0.283 seconds, Fetched: 11 row(s)
123456789101112131415（4）查询工资是 1500 或 5000 的员工信息
hive (default)> select * from emp where sal in (1500, 5000);
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30
Time taken: 0.299 seconds, Fetched: 2 row(s)
123456（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 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。
案例实操
查找名字以 A 开头的员工信息
hive (default)> select * from emp where ename like 'A%';
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
12345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%';
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
Time taken: 0.301 seconds, Fetched: 3 row(s)
1234567查找名字中带有 A 的员工信息
hive (default)> select * from emp where ename rlike '[A]';
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
Time taken: 0.247 seconds, Fetched: 7 row(s)
1234567891011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;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30
Time taken: 0.294 seconds, Fetched: 5 row(s)
123456789（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;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10
7534 MILLER CLERK 7782 1982-10-23 1300.0 NULL 50
Time taken: 0.232 seconds, Fetched: 14 row(s)
123456789101112131415161718（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 (20, 30);
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10
7534 MILLER CLERK 7782 1982-10-23 1300.0 NULL 50
Time taken: 0.257 seconds, Fetched: 4 row(s)
12345678GROUP 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。
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;
OK
t.deptno avg_sal
10 2916.6666666666665
20 2175.0
30 1566.6666666666667
50 1300.0
Time taken: 33.449 seconds, Fetched: 4 row(s)
12345678（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;
OK
t.deptno t.job max_sal
20 ANALYST 3000.0
10 CLERK 1300.0
20 CLERK 1100.0
30 CLERK 950.0
50 CLERK 1300.0
10 MANAGER 2450.0
20 MANAGER 2975.0
30 MANAGER 2850.0
10 PRESIDENT 5000.0
30 SALESMAN 1600.0
Time taken: 10.678 seconds, Fetched: 10 row(s)
1234567891011121314151. 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
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;
OK
deptno avg_sal
10 2916.6666666666665
20 2175.0
Time taken: 21.843 seconds, Fetched: 2 row(s)
hive (default)> select deptno, avg_sal from(
> select deptno, avg(sal) avg_sal from emp
> group by deptno)t1
> where avg_sal>2000;
OK
deptno avg_sal
10 2916.6666666666665
20 2175.0
Time taken: 35.768 seconds, Fetched: 2 row(s)
12345678910111213141516Hive支持通常的 SQL JOIN语句 。
例：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、部门编号和部门名称
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
OK
e.empno e.ename d.deptno d.dname
7499 ALLEN 30 SALES
7521 WARD 30 SALES
7654 MARTIN 30 SALES
7698 BLAKE 30 SALES
7844 TURNER 30 SALES
7900 JAMES 30 SALES
7369 SMITH 20 RESEARCH
7566 JONES 20 RESEARCH
7788 SCOTT 20 RESEARCH
7876 ADAMS 20 RESEARCH
7902 FORD 20 RESEARCH
7782 CLARK 10 ACCOUNTING
7839 KING 10 ACCOUNTING
7934 MILLER 10 ACCOUNTING
Time taken: 44.828 seconds, Fetched: 14 row(s)
123456789101112131415161718好处：使用别名可以简化查询；使用表名前缀可以提高执行效率。
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;
OK
e.empno e.ename d.deptno
7499 ALLEN 30
7521 WARD 30
7654 MARTIN 30
7698 BLAKE 30
7844 TURNER 30
7900 JAMES 30
7369 SMITH 20
7566 JONES 20
7788 SCOTT 20
7876 ADAMS 20
7902 FORD 20
7782 CLARK 10
7839 KING 10
7934 MILLER 10
Time taken: 27.323 seconds, Fetched: 14 row(s)
123456789101112131415161718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;
OK
e.empno e.ename d.deptno
7499 ALLEN 30
7521 WARD 30
7654 MARTIN 30
7698 BLAKE 30
7844 TURNER 30
7900 JAMES 30
7369 SMITH 20
7566 JONES 20
7788 SCOTT 20
7876 ADAMS 20
7902 FORD 20
7782 CLARK 10
7839 KING 10
7934 MILLER 10
7534 MILLER NULL
Time taken: 14.959 seconds, Fetched: 15 row(s)
12345678910111213141516171819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;
OK
e.empno e.ename d.deptno
NULL NULL 40
7782 CLARK 10
7934 MILLER 10
7839 KING 10
7499 ALLEN 30
7900 JAMES 30
7844 TURNER 30
7698 BLAKE 30
7654 MARTIN 30
7521 WARD 30
7369 SMITH 20
7902 FORD 20
7876 ADAMS 20
7788 SCOTT 20
7566 JONES 20
Time taken: 14.322 seconds, Fetched: 15 row(s)
12345678910111213141516171819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;
OK
e.empno e.ename d.deptno
7934 MILLER 10
7782 CLARK 10
7839 KING 10
7369 SMITH 20
7566 JONES 20
7788 SCOTT 20
7876 ADAMS 20
7902 FORD 20
7521 WARD 30
7844 TURNER 30
7499 ALLEN 30
7900 JAMES 30
7698 BLAKE 30
7654 MARTIN 30
NULL NULL 40
7534 MILLER NULL
Time taken: 23.816 seconds, Fetched: 16 row(s)
1234567891011121314151617181920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 Shanghai
1900 Wuhan
123（1）创建位置表
hive (default)> create table if not exists location(
> loc int,
> loc_name string
> )
> row format delimited fields terminated by ' ';
OK
Time taken: 0.538 seconds
1234567（2）导入数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/loc.txt' into table location;
Loading data to table default.location
OK
Time taken: 0.837 seconds
1234（3）多表连接查询
hive (default)> select e.ename, d.dname, l.loc_name
> from emp e
> join dept d
> on d.deptno = e.deptno
> join location l
> on d.loc = l.loc;
OK
e.ename d.dname l.loc_name
ALLEN SALES Wuhan
WARD SALES Wuhan
MARTIN SALES Wuhan
BLAKE SALES Wuhan
TURNER SALES Wuhan
JAMES SALES Wuhan
SMITH RESEARCH Shanghai
JONES RESEARCH Shanghai
SCOTT RESEARCH Shanghai
ADAMS RESEARCH Shanghai
FORD RESEARCH Shanghai
CLARK ACCOUNTING Beijing
KING ACCOUNTING Beijing
MILLER ACCOUNTING Beijing
Time taken: 34.34 seconds, Fetched: 14 row(s)
1234567891011121314151617181920212223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 。
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
例：
hive (default)> select empno, dname from emp, dept;
OK
empno dname
7369 ACCOUNTING
7369 OPERATIONS
7369 SALES
7369 RESEARCH
7499 ACCOUNTING
7499 OPERATIONS
7499 SALES
7499 RESEARCH
7521 ACCOUNTING
7521 OPERATIONS
7521 SALES
7521 RESEARCH
7566 ACCOUNTING
7566 OPERATIONS
7566 SALES
7566 RESEARCH
7654 ACCOUNTING
7654 OPERATIONS
7654 SALES
7654 RESEARCH
7698 ACCOUNTING
7698 OPERATIONS
7698 SALES
7698 RESEARCH
7782 ACCOUNTING
7782 OPERATIONS
7782 SALES
7782 RESEARCH
7788 ACCOUNTING
7788 OPERATIONS
7788 SALES
7788 RESEARCH
7839 ACCOUNTING
7839 OPERATIONS
7839 SALES
7839 RESEARCH
7844 ACCOUNTING
7844 OPERATIONS
7844 SALES
7844 RESEARCH
7876 ACCOUNTING
7876 OPERATIONS
7876 SALES
7876 RESEARCH
7900 ACCOUNTING
7900 OPERATIONS
7900 SALES
7900 RESEARCH
7902 ACCOUNTING
7902 OPERATIONS
7902 SALES
7902 RESEARCH
7934 ACCOUNTING
7934 OPERATIONS
7934 SALES
7934 RESEARCH
7534 ACCOUNTING
7534 OPERATIONS
7534 SALES
7534 RESEARCH
Time taken: 21.636 seconds, Fetched: 60 row(s)
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364Order 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
案例实操：
查询员工信息按工资升序排列
hive (default)> select * from emp order by sal limit 5;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30
Time taken: 30.52 seconds, Fetched: 5 row(s)
123456789查询员工信息按工资降序排列
hive (default)> select * from emp order by sal desc limit 5;
OK
emp.empno emp.ename emp.job emp.mgr emp.hiredate emp.sal emp.comm emp.deptno
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30
Time taken: 10.401 seconds, Fetched: 5 row(s)
123456789按照员工薪水的2倍排序
hive (default)> select ename, sal*2 twosal from emp order by twosal limit 5;
OK
ename twosal
SMITH 1600.0
JAMES 1900.0
ADAMS 2200.0
WARD 2500.0
MARTIN 2500.0
Time taken: 9.991 seconds, Fetched: 5 row(s)
123456789按照部门和工资升序排序
hive (default)> select ename, deptno, sal from emp order by deptno, sal limit 5;
OK
ename deptno sal
MILLER 10 1300.0
CLARK 10 2450.0
KING 10 5000.0
SMITH 20 800.0
ADAMS 20 1100.0
Time taken: 9.81 seconds, Fetched: 5 row(s)
123456789Sort 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个数并查看
hive (default)> set mapreduce.job.reduces;
mapreduce.job.reduces=-1
hive (default)> set mapreduce.job.reduces=3;
hive (default)> set mapreduce.job.reduces;
mapreduce.job.reduces=3
12345（2）根据部门编号降序查看员工信息
hive (default)> select ename, deptno from emp sort by deptno desc;
OK
ename deptno
MILLER 50
MARTIN 30
TURNER 30
BLAKE 30
SCOTT 20
CLARK 10
KING 10
WARD 30
ALLEN 30
JAMES 30
JONES 20
ADAMS 20
MILLER 10
FORD 20
SMITH 20
Time taken: 15.318 seconds, Fetched: 15 row(s)
12345678910111213141516171819（3）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/hive-3.1.2/data/sortby-result'
> select ename, deptno from emp sort by deptno desc;
12Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个 reducer，通常是为了进行后续的聚集操作。 distribute by 子句可以做这件事 。 distribute by 类似 MR 中 partition（自定义分区 ），进行分区，结合 sort by 使用。
对于 distribute by 进行测试，一定要分配多 reduce 进行处理，否则无法看到 distribute by 的效果。
例：先按照部门编号分区，再按照员工编号降序排序。
hive (default)> insert overwrite local directory '/opt/module/hive-3.1.2/data/distribute-result'
> select * from emp distribute by deptno sort by empno desc;
12注意：distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，余数相同的分到一个区 。Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。
当 distribute by 和 sorts by 字段相同时，可以使用 cluster by 方式。
cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。但是排序只能是升序排序，不能指定排序规则为 ASC 或者 DESC。
以下两种写法等价：
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;
12注意：按照部门编号分区，不一定就是固定死的数值，可以是 20 号和 30 号部门分到一个分区里面去。
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
hive (default)> create table if not exists dept_partition(
> deptno int, dname string, loc string
> )
> partitioned by (day string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.238 seconds
1234567注意：分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。
2. 加载数据到分区表中
（1）数据准备：
dept1.txt：
10 ACCOUNTING 1700
20 RESEARCH 1800
dept2.txt：
30 SALES 1900
40 OPERATIONS 1700
dept3.txt：
50 TEST 2000
60 DEV 1900
1234567891011（2）加载数据：
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept1.txt' into table dept_partition
> partition(day='20210901');
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept2.txt' into table dept_partition
> partition(day='20210902');
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept3.txt' into table dept_partition
> partition(day='20210903');
12345678注意：分区表加载数据时，必须指定分区
3. 查询分区表中数据
单分区查询
dept_partition.deptno dept_partition.dname dept_partition.loc dept_partition.day
10 ACCOUNTING 1700 20210901
20 RESEARCH 1800 20210901
123多分区联合查询
hive (default)> select * from dept_partition where day='20210901'
> union
> select * from dept_partition where day='20210902'
> union
> select * from dept_partition where day='20210903';
hive (default)> select * from dept_partition where day='20210901' or day='20210902' or day='20210903';
12345674. 增加分区
创建单个分区
hive (default)> alter table dept_partition add partition(day='20210904');
OK
Time taken: 0.348 seconds
123同时创建多个分区
hive (default)> alter table dept_partition add partition(day='20210905') partition(day='20210906');
OK
Time taken: 3.758 seconds
1235.删除分区
删除单个分区
hive (default)> alter table dept_partition drop partition(day='20210906');
Dropped the partition day=20210906
OK
Time taken: 1.283 seconds
1234同时删除多个分区
hive (default)> alter table dept_partition drop partition(day='20210904'), partition(day='20210905');
Dropped the partition day=20210904
Dropped the partition day=20210905
OK
Time taken: 0.764 seconds
123456.查看分区表有多少分区
hive (default)> show partitions dept_partition;
OK
partition
day=20210901
day=20210902
day=20210903
Time taken: 0.636 seconds, Fetched: 3 row(s)
12345677. 查看分区表结构
hive (default)> desc formatted dept_partition;
# Partition Information
# col_name data_type comment
day string
1234思考：如果一天的日志数据量也很大，如何再将数据拆分?
1. 创建二级分区表
hive (default)> create table dept_partition2(
> dept int, dname string, loc string
> )
> partitioned by (day string, hour string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.209 seconds
12345672. 正常的加载数据
（1）加载数据到二级分区表中
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept1.txt' into table dept_partition2
> partition(day='20210901', hour='16');
Loading data to table default.dept_partition2 partition (day=20210901, hour=16)
OK
Time taken: 1.622 seconds
12345（2）查询分区数据
hive (default)> select * from dept_partition2 where day='20210901' and hour='16';
OK
dept_partition2.dept dept_partition2.dname dept_partition2.loc dept_partition2.day dept_partition2.hour
10 ACCOUNTING 1700 20210901 16
20 RESEARCH 1800 20210901 16
Time taken: 3.496 seconds, Fetched: 2 row(s)
1234563. 把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式
（1）方式一：上传数据后修复
上传数据
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/day=20210901/hour=17;
hive (default)> dfs -put /opt/module/hive-3.1.2/data/dept1.txt /user/hive/warehouse/dept_partition2/day=20210901/hour=17;
12查询数据（查询不到刚上传的数据）
hive (default)> select * from dept_partition2 where day='20210901' and hour='17';
OK
dept_partition2.dept dept_partition2.dname dept_partition2.loc dept_partition2.day dept_partition2.hour
Time taken: 0.431 seconds
1234执行修复命令
hive (default)> msck repair table dept_partition2;
OK
Partitions not in metastore: dept_partition2:day=20210901/hour=17
Repair: Added partition to metastore dept_partition2:day=20210901/hour=17
Time taken: 0.314 seconds, Fetched: 2 row(s)
12345再次查询数据
hive (default)> select * from dept_partition2 where day='20210901' and hour='17';
OK
dept_partition2.dept dept_partition2.dname dept_partition2.loc dept_partition2.day dept_partition2.hour
10 ACCOUNTING 1700 20210901 17
20 RESEARCH 1800 20210901 17
Time taken: 0.34 seconds, Fetched: 2 row(s)
123456（2）方式二：上传数据后添加分区
上传数据
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/day=20210901/hour=18;
hive (default)> dfs -put /opt/module/hive-3.1.2/data/dept1.txt /user/hive/warehouse/dept_partition2/day=20210901/hour=18;
12执行添加分区
hive (default)> alter table dept_partition2 add partition(day='20210901', hour='18');
OK
Time taken: 0.198 seconds
123查询数据
hive (default)> select * from dept_partition2 where day='20210901' and hour='18';
OK
dept_partition2.dept dept_partition2.dname dept_partition2.loc dept_partition2.day dept_partition2.hour
10 ACCOUNTING 1700 20210901 18
20 RESEARCH 1800 20210901 18
Time taken: 0.438 seconds, Fetched: 2 row(s)
123456（3）方式三：创建文件夹后 load 数据到分区
创建目录
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/day=20210901/hour=19;
1上传数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/dept1.txt' into table dept_partition2
> partition(day='20210901',hour='19');
Loading data to table default.dept_partition2 partition (day=20210901, hour=19)
OK
Time taken: 0.778 seconds
12345查询数据
hive (default)> select * from dept_partition2 where day='20210901' and hour='19';
OK
dept_partition2.dept dept_partition2.dname dept_partition2.loc dept_partition2.day dept_partition2.hour
10 ACCOUNTING 1700 20210901 19
20 RESEARCH 1800 20210901 19
Time taken: 0.313 seconds, Fetched: 2 row(s)
123456关系型数据库中，对分区表 Insert数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive中也提供了类似的机制，即动态分区 (Dynamic Partition），只不过，使用 Hive的动态分区，需要进行相应的配置。
1. 开启动态分区参数设置
（1）开启动态分区功能（默认 true ，开启）
hive (default)> set hive.exec.dynamic.partition=true;
1（2）设置为非严格模式（动态分区的模式，默认 strict ，表示必须指定至少一个分区为静态分区， nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）
hive (default)> set hive.exec.dynamic.partition.mode=nonstrict;
1（3）在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。默认 1000
hive (default)> set hive.exec.max.dynamic.partitions=1000;
1（4）在每个执行 MR 的节点上，最大可以创建多少个动态分区。 该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就需要设置成大于 365 ，如果使用默认值 100 ，则会报错。
hive (default)> set hive.exec.max.dynamic.partitions.pernode=100;
1（5）整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 100000
hive (default)> set hive.exec.max.created.files=100000;
1（6）当有空分区生成时，是否抛出异常。一般不需要设置。默认 false
hive (default)> set hive.error.on.empty.partition=false;
12. 案例实操
需求：将 dept 表中的数据按照地区（loc字段）插入到目标表 dept_partition 的相应分区中。
（1）创建目标分区表
hive (default)> create table dept_partition_by(id int, name string)
> partitioned by (loc int)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.097 seconds
12345（2）设置动态分区
hive (default)> set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> insert into table dept_partition_by partition(loc)
> select deptno, dname, loc from dept;
123（3）查看目标分区表的分区情况
hive (default)> show partitions dept_partition_by;
OK
partition
loc=1700
loc=1800
loc=1900
Time taken: 0.152 seconds, Fetched: 3 row(s)
1234567分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。 对于一张表或者分区， Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分 。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分区针对的是数据的存储路径；分桶针对的是数据文件。
1. 创建分桶表
（1）数据准备
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
12345678910111213141516（2）创建分桶表
hive (default)> create table stu_buck(id int, name string)
> clustered by(id)
> into 4 buckets
> row format delimited fields terminated by ' ';
OK
Time taken: 0.132 seconds
123456（3）查看表结构
hive (default)> desc formatted stu_buck;
Num Buckets: 4
12（4）导入数据到分桶表中，load的方式
hive (default)> load data inpath '/student/data/student.txt' into table stu_buck;
1（5）查看创建的分桶表中是否分成 4 个桶
（6）查询分桶的数据
hive (default)> select * from stu_buck;
OK
stu_buck.id stu_buck.name
1016 ss16
1012 ss12
1008 ss8
1004 ss4
1013 ss13
1009 ss9
1005 ss5
1001 ss1
1014 ss14
1010 ss10
1006 ss6
1002 ss2
1015 ss15
1011 ss11
1007 ss7
1003 ss3
Time taken: 0.274 seconds, Fetched: 16 row(s)
1234567891011121314151617181920（7）分桶规则：
根据结果可知：Hive 的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
2. 分桶表操作需要注意的事项 :
（1）reduce 的个数设置为 1, 让 Job 自行决定需要用多少个 reduce，或者将 reduce 的个数设置为大于等于分桶表的桶数。
（2）从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题。
（3）不要使用本地模式。
3. insert方式将数据导入分桶表
hive (default)> insert into table stu_buck select * from student_insert;
1对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。 Hive 可以通过对表进行抽样来满足这个需求。
语法：TABLESAMPLE(BUCKET x OUT OF y)
查询表stu_buck 中的数据。
hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);
OK
stu_buck.id stu_buck.name
1016 ss16
1004 ss4
1009 ss9
1002 ss2
1003 ss3
Time taken: 0.161 seconds, Fetched: 5 row(s)
123456789若总共有n桶，则抽取n/y桶数据，所以y需要是n的因子或倍数。从第x桶开始抽。本例中抽取4/4=1桶数据，从第1桶开始抽。
注意：x 的值必须小于等于 y 的值，否则
hive (default)> select * from stu_buck tablesample(bucket 4 out of 1 on id);
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample cl1. 查看系统自带的函数
hive (default)> show functions;
12. 显示自带的函数的用法
hive (default)> desc function upper;
13. 详细显示自带的函数的用法
hive (default)> desc function extended upper;
1（1）函数说明
NVL：给值为 NULL的数据赋值，它的格式是 NVL(value，default_value)。它的功能是如果 value为 NULL，则 NVL函数返回 default_value 的值，否则返回 value 的值。如果两个参数都为 NULL，则返回 NULL。
（2）数据准备：采用员工表
（3）查询：如果员工的 comm为 NULL，则用 -1代替
hive (default)> select comm, nvl(comm, -1) from emp;
OK
comm _c1
NULL -1.0
300.0 300.0
500.0 500.0
NULL -1.0
1400.0 1400.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
0.0 0.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
Time taken: 2.891 seconds, Fetched: 15 row(s)
12345678910111213141516171819（4）查询：如果员工的 comm 为 NULL，则用领导 id 代替
hive (default)> select comm, nvl(comm, mgr) from emp;
OK
comm _c1
NULL 7902.0
300.0 300.0
500.0 500.0
NULL 7839.0
1400.0 1400.0
NULL 7839.0
NULL 7839.0
NULL 7566.0
NULL NULL
0.0 0.0
NULL 7788.0
NULL 7698.0
NULL 7566.0
NULL 7782.0
NULL 7782.0
123456789101112131415161718（1）数据准备（人名来自电视剧《将夜》）
name dept_id sex
夫子 A 男
观主 B 男
李慢慢 A 男
余帘 A 女
叶红鱼 B 女
君陌 A 男
叶青 B 男
宁缺 A 男
木柚 A 女
12345678910（2）需求：求出不同部门男女各多少人。
（3）创建 hive 表并导入数据
hive (default)> create table emp_sex(
> name string,
> dept_id string,
> sex string)
> row format delimited fields terminated by " ";
OK
Time taken: 0.64 seconds
1234567（4）按需求查询数据
hive (default)> select dept_id,
> sum(case sex when '男' then 1 else 0 end) male_count,
> sum(case sex when '女' then 1 else 0 end) female_count
> from emp_sex
> group by dept_id;
OK
dept_id male_count female_count
A 4 2
B 2 1
Time taken: 9.155 seconds, Fetched: 2 row(s)
123456789101. 相关函数说明
CONCAT(string A/col, string B/col…）：返回输入字符串连接后的结果，支持任意个输入字符串 ；
CONCAT_WS(separator, str1, str2,…)：它是一个特殊形式的 CONCAT()。第一个参数表示剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL ，返回值也将为 NULL 。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
注意: CONCAT_WS must be string or array
COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生 Array类型字段。
2. 数据准备（人名来自于电视剧《将夜》）
name constellation blood_type
柳白 白羊座 A
讲经首座 射手座 A
陈某 白羊座 B
陈皮皮 白羊座 A
莫山山 射手座 A
熊初墨 白羊座 B
柯浩然 射手座 A
123456783. 需求
把星座和血型一样的人归类到一起。
4. 创建hive表并导入数据
hive (default)> create table person_info(
> name string,
> constellation string,
> blood_type string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.848 seconds
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/person_info.txt" into table person_info;
Loading data to table default.person_info
OK
Time taken: 0.682 seconds
1234567891011125. 按需求查询数据
hive (default)> select t1.c_b, concat_ws("|", collect_set(t1.name))
> from (select name,concat_ws(',', constellation,blood_type) c_b
> from person_info) t1
> group by t1.c_b;
OK
t1.c_b _c1
射手座,A 讲经首座|莫山山|柯浩然
白羊座,A 柳白|陈皮皮
白羊座,B 陈某|熊初墨
Time taken: 24.49 seconds, Fetched: 3 row(s)
123456789101. 函数说明
EXPLODE( 将 hive 一 列中复杂的 Array 或者 Map 结构拆分成多行。
LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释：用于和 split, explode 等 UDTF 一起使用 它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。
2. 数据准备
movies category
《流浪地球》 悬疑,动作,科幻,剧情
《警察故事》 悬疑,警匪,动作,心理,剧情
《战狼2》 战争,动作,灾难
12343. 需求：将电影分类中的数组数据展开。
4. 创建 hive 表并导入数据
hive (default)> create table movie_info(
> movie string,
> category string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.143 seconds
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/movie_info.txt" into table movie_info;
Loading data to table default.movie_info
OK
Time taken: 0.518 seconds
12345678910115. 按需求查询数据
hive (default)> select movie, category_name
> from movie_info
> lateral view
> explode(split(category, ",")) movie_info_tmp as category_name;
OK
movie category_name
《流浪地球》 悬疑
《流浪地球》 动作
《流浪地球》 科幻
《流浪地球》 剧情
《警察故事》 悬疑
《警察故事》 警匪
《警察故事》 动作
《警察故事》 心理
《警察故事》 剧情
《战狼2》 战争
《战狼2》 动作
《战狼2》 灾难
Time taken: 0.132 seconds, Fetched: 12 row(s)
123456789101112131415161718191. 相关函数说明
OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。
CURRENT ROW：当前行
n PRECEDING ：往前 n 行数据
n FOLLOWING ：往后 n 行数据
UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点，UNBOUNDED FOLLOWING 表示到后面的终点。
LAG(col,n,default_val)：往前第 n 行数据
LEAD(col,n,default_val ))：往后第 n 行数据
NTILE(n)：把有序窗口的行分发到指定数据的组中，各个组有编号，编号从 1 开始，对于每一行， NTILE 返回此行所属的组的编号。 注意： n 必须为 int 类型。
2. 数据准备： name，orderdate，cost
jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94
12345678910111213143. 创建 hive表并导入数据
hive (default)> create table business(
> name string,
> orderdate string,
> cost int
> ) row format delimited fields terminated by ',';
OK
Time taken: 0.864 seconds
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/business.txt" into table business;
Loading data to table default.business
OK
Time taken: 0.777 seconds
1234567891011124. 按需求查询数据
（1）查询在 2017 年 4 月份购买过的顾客及总人数
hive (default)> select name, count(*) over()
> from business
> where substring(orderdate,1,7)='2017-04'
> group by name;
OK
name count_window_0
jack 2
mart 2
123456789（2）查询顾客的购买明细及月购买总额
hive (default)> select name, orderdate, cost, sum(cost) over(partition by month(orderdate))
> from business;
OK
name orderdate cost sum_window_0
jack 2017-01-01 10 205
tony 2017-01-02 15 205
tony 2017-01-04 29 205
jack 2017-01-05 46 205
tony 2017-01-07 50 205
jack 2017-01-08 55 205
jack 2017-02-03 23 23
mart 2017-04-13 94 341
mart 2017-04-08 62 341
mart 2017-04-09 68 341
mart 2017-04-11 75 341
jack 2017-04-06 42 341
neil 2017-05-10 12 12
neil 2017-06-12 80 80
Time taken: 31.353 seconds, Fetched: 14 row(s)
12345678910111213141516171819（3）将每个顾客的 cost 按照日期进行累加
hive (default)> select name, orderdate, cost,
> sum(cost) over() as sample,
> sum(cost) over(partition by name) as sample2,
> sum(cost) over(partition by name order by orderdate) as sample3,
> sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row) as sample4,
> sum(cost) over(partition by name order by orderdate rows between 1 preceding and current row) as sample5,
> sum(cost) over(partition by name order by orderdate rows between 1 preceding and 1 following) as sample6,
> sum(cost) over(partition by name order by orderdate rows between current row and unbounded following) as sample7
> from business;
OK
name orderdate cost sample sample2 sample3 sample4 sample5 sample6 sample7
jack 2017-01-01 10 661 176 10 10 10 56 176
jack 2017-01-05 46 661 176 56 56 56 111 166
jack 2017-01-08 55 661 176 111 111 101 124 120
jack 2017-02-03 23 661 176 134 134 78 120 65
jack 2017-04-06 42 661 176 176 176 65 65 42
mart 2017-04-08 62 661 299 62 62 62 130 299
mart 2017-04-09 68 661 299 130 130 130 205 237
mart 2017-04-11 75 661 299 205 205 143 237 169
mart 2017-04-13 94 661 299 299 299 169 169 94
neil 2017-05-10 12 661 92 12 12 12 92 92
neil 2017-06-12 80 661 92 92 92 92 92 80
tony 2017-01-02 15 661 94 15 15 15 44 94
tony 2017-01-04 29 661 94 44 44 44 94 79
tony 2017-01-07 50 661 94 94 94 79 79 50
Time taken: 26.212 seconds, Fetched: 14 row(s)
1234567891011121314151617181920212223242526sample表示所有行相加，sample2表示按name分组，组内数据相加，sample3表示按name分组，组内数据累加，sample4和sample3一样，由起点到当前行的聚合，sample5表示当前行和前面一行聚合，sample表示当前行和前边一行及后面一行聚合，sample7表示当前行及后面所有行聚合。
rows必须跟在 order by 子句之后，对排序的结果进行限制，使用固定的行数来限制分区中的数据行数量。
（4）查看顾客上次的购买时间
hive (default)> select name, orderdate, cost,
> lag(orderdate, 1, '1900-01-01') over(partition by name order by orderdate)
> as time1, lag(orderdate, 2) over (partition by name order by orderdate) as time2
> from business;
OK
name orderdate cost time1 time2
jack 2017-01-01 10 1900-01-01 NULL
jack 2017-01-05 46 2017-01-01 NULL
jack 2017-01-08 55 2017-01-05 2017-01-01
jack 2017-02-03 23 2017-01-08 2017-01-05
jack 2017-04-06 42 2017-02-03 2017-01-08
mart 2017-04-08 62 1900-01-01 NULL
mart 2017-04-09 68 2017-04-08 NULL
mart 2017-04-11 75 2017-04-09 2017-04-08
mart 2017-04-13 94 2017-04-11 2017-04-09
neil 2017-05-10 12 1900-01-01 NULL
neil 2017-06-12 80 2017-05-10 NULL
tony 2017-01-02 15 1900-01-01 NULL
tony 2017-01-04 29 2017-01-02 NULL
tony 2017-01-07 50 2017-01-04 2017-01-02
1234567891011121314151617181920time1表示顾客上次购买的时间，没有的话用’1900-01-01’代替，time2表示顾客前两次购买的时间。
（5）查询前 20% 时间的订单信息
hive (default)> select * from(
> select name, orderdate, cost, ntile(5) over(order by orderdate) sorted
> from business
> ) t
> where sorted = 1;
OK
t.name t.orderdate t.cost t.sorted
jack 2017-01-01 10 1
tony 2017-01-02 15 1
tony 2017-01-04 29 1
12345678910将数据按时间分为5个组，取第一个组的数据。
1. 函数说明
RANK()：排序相同时会重复，总数不会变
DENSE_RANK()：排序相同时会重复，总数会减少
ROW_NUMBER()：会根据顺序计算
2. 数据准备（人名来自电视剧《将夜》）
柯浩然 语文 87
柯浩然 数学 95
柯浩然 英语 68
余帘 语文 94
余帘 数学 58
余帘 英语 84
颜瑟 语文 64
颜瑟 数学 86
颜瑟 英语 84
王景略 语文 65
王景略 数学 85
王景略 英语 78
1234567891011123. 创建 hive 表并导入数据
hive (default)> create table score(
> name string,
> subject string,
> score int)
> row format delimited fields terminated by " ";
OK
Time taken: 0.672 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/score.txt' into table score;
Loading data to table default.score
OK
Time taken: 0.48 seconds
1234567891011124. 计算每门学科成绩排名
hive (default)> select name, subject, score,
> rank() over(partition by subject order by score desc) rp,
> dense_rank() over(partition by subject order by score desc) drp,
> row_number() over(partition by subject order by score desc) rmp
> from score;
OK
name subject score rp drp rmp
柯浩然 数学 95 1 1 1
颜瑟 数学 86 2 2 2
王景略 数学 85 3 3 3
余帘 数学 58 4 4 4
余帘 英语 84 1 1 1
颜瑟 英语 84 1 1 2
王景略 英语 78 3 2 3
柯浩然 英语 68 4 3 4
余帘 语文 94 1 1 1
柯浩然 语文 87 2 2 2
王景略 语文 65 3 3 3
颜瑟 语文 64 4 4 4
Time taken: 18.441 seconds, Fetched: 12 row(s)
1234567891011121314151617181920（1）Hive 自带了一些函数，比如 max/min等，但是数量有限，自己可以通过自定义 UDF 来方便的扩展。
（2）当 Hive提供的内置函数无法满足你的业务处理需要时 此时就可以考虑使用用户自定义函数（UDF：user-defined function）。
（3）根据用户自定义函数类别分为以下三种：
UDF(User-Defined-Function)：一进一出
UDAF(User-Defined Aggregation Function)：聚集函数，多进一出，类似于 count/max/min
UDTF(User-Defined Table-Generating Functions)：一进多出，如 lateral view explode()
（4）官方文档地址
https://cwiki.apache.org/confluence/display/Hive/HivePlugins
（5）编程步骤：
1）继承 Hive 提供的类
org.apache.hadoop.hive.ql.udf.generic.GenericUDF
org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
2）实现类中的抽象方法
3）在 hive 的命令行窗口创建函数
添加jar，add jar linux_jar_path
创建function，create [temporary] function [dbname.]function_name AS class_name;
4）在 hive 的命令行窗口删除函数
drop [temporary] function [if exists] [dbname.]function_name;
1. 需求：自定义一个UDF 实现计算给定字符串的长度
如：
hive(default)> select my_len("abcd")
4
122. 创建一个 Maven 工程 Hive
3. 导入依赖
org.apache.hive
hive-exec
3.1.2
12345674. 创建一个类
package com.Tom.udf;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
public class MyUDF extends GenericUDF {
@Override
public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
// 判断输入参数的个数
if(arguments.length != 1){
throw new UDFArgumentLengthException("Input Args Length Error!!!");
}
// 判断输入参数的类型
if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){
throw new UDFArgumentTypeException(0, "Input Args Type Error!!!");
}
//函数本身返回值为int，需要返回int类型的鉴别器对象
return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
}
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
if(arguments[0].get() == null){
return 0;
}
return arguments[0].get().toString().length();
}
@Override
public String getDisplayString(String[] children) {
return "";
}
}
12345678910111213141516171819202122232425262728293031323334353637383940415. 打成 jar包上传到服务器 /opt/module/hive-3.1.2/myudf.jar
6. 将 jar包添加到 hive 的 classpath
hive (default)> add jar /opt/module/hive-3.1.2/hiveDemo-1.0-SNAPSHOT.jar;
17. 创建临时函数与开发好的 java class 关联
hive (default)> create temporary function my_len as "com.Tom.udf.MyUDF";
18. 即可在 hql中使用自定义的函数
hive (default)> select ename, my_len(ename) ename_len from emp;
OK
ename ename_len
SMITH 5
ALLEN 5
WARD 4
JONES 5
MARTIN 6
BLAKE 5
CLARK 5
SCOTT 5
KING 4
TURNER 6
ADAMS 5
JAMES 5
FORD 4
MILLER 6
MILLER 6
Time taken: 0.807 seconds, Fetched: 15 row(s)
123456789101112131415161718191. 需求：自定义一个UDTF 实现将一个任意分割符的字符串切割成独立的单词
例如：
hive(default)> select myudtf ("hello,world,hadoop,hive",",");
hello
world
hadoop
hive
123452. 代码实现
package com.Tom.udtf;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import java.util.ArrayList;
import java.util.List;
public class MyUDTF extends GenericUDTF {
private ArrayList outList = new ArrayList();
@Override
public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {
// 1.定义输出数据的列名和类型
List fieldsNames = new ArrayList();
List fieldOIs = new ArrayList();
//2.添加输出数据的列名和类型
fieldsNames.add("lineToWord");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
return ObjectInspectorFactory.getStandardStructObjectInspector(fieldsNames, fieldOIs);
}
@Override
public void process(Object[] args) throws HiveException {
//1. 获取原始数据
String arg = args[0].toString();
//2.获取数据传入的第二个参数，此处为分隔符
String splitKey = args[1].toString();
//3.将原始数据按照传入的分隔符进行切分
String[] fields = arg.split(splitKey);
//4.遍历切分后的结果，并写出
for (String field : fields){
//集合为复用的， 首先清空集合
outList.clear();
// 将每一个单词添加至集合
outList.add(field);
//将集合内容写出
forward(outList);
}
}
@Override
public void close() throws HiveException {
}
}
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859 3. 打成 jar包上传到服务器 /opt/module/hive-3.1.2/myudf.jar
4. 将 jar包添加到 hive 的 classpath下
hive (default)> add jar /opt/module/hive-3.1.2/myudtf.jar;
15. 创建临时函数与开发好的 java class 关联
hive (default)> create temporary function myudtf as "com.Tom.udtf.MyUDTF";
16. 使用自定义的函数
hive (default)> select myudtf("hello, world, hadoop, hive", ",");
OK
linetoword
hello
world
hadoop
hive
Time taken: 0.704 seconds, Fetched: 4 row(s)
123456781. MR支持的压缩编码
为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示：
压缩格式 | 对应的编码/解码器 |
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较：
2. 压缩参数配置
要在 Hadoop 中启用压缩 可以配置如下参数（ mapred-site.xml文件中）：
开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。具体配置如下：
案例实操
（1）开启 hive 中间传输数据压缩功能
hive (default)> set hive.exec.compress.intermediate=true;
1（2）开启 mapreduce中 map输出压缩功能
hive (default)> set mapreduce.map.output.compress=true;
1（3）设置 mapreduce中 map输出数据的压缩方式
hive (default)> set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
1（4）执行查询语句
hive (default)> select count(ename) name from emp;
OK
name
15
Time taken: 33.563 seconds, Fetched: 1 row(s)
12345当 Hive 将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output 控制着这个功能。用户可能需要保持默认设置文件中的默认值 false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为 true ，来开启输出结果压缩功能。
案例实操
（1）开启 hive 最终输出数据压缩功能
hive (default)> set hive.exec.compress.output=true;
1（2）开启 mapreduce 最终输出数据压缩
hive (default)> set mapreduce.output.fileoutputformat.compress=true;
1（3）设置 mapreduce 最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
1（4）设置 mapreduce 最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
1（5）测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory
> '/opt/module/hive-3.1.2/data/distribute-result' select * from emp distribute by deptno sort by empno desc;
12[Tom@hadoop102 distribute-result]$ ll
总用量 4
-rw-r--r--. 1 Tom Tom 470 9月 5 10:43 000000_0.snappy
1231. 列式存储和行式存储
如图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。
（1）行存储的特点
查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。
（2）列存储的特点
因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。
TEXTFILE和 SEQUENCEFILE 的存储格式都是基于行存储的；
ORC 和 PARQUET 是基于列式存储的。
2. TextFile格式
默认格式，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，但使用 Gzip 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。
3. Orc 格式
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
如下图所示，可以看到每个Orc文件由1个或多个stripe组成，每个stripe一般为 HDFS 的块大小，每一个stripe 包含多条记录，这些记录按照列进行独立存储，对应到 Parquet 中的 row group 的概念。每个Stripe 里有三部分组成，分别是 Index Data，Row Data，Stripe Footer：
（1）Index Data ：一个轻量级的 index ，默认是 每隔 1W 行做一个索引 。这里做的索引应该只是记录某行的各字段在 Row Data 中的 offset 。
（2）Row Data ：存的是具体的数据，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 。
（3）Stripe Footer ：存的是各个 Stream 的类型，长度等信息。
每个文件有一个 File Footer ，这里面存的是每个 Stripe 的行数，每个 Column 的数据类型信息等；每个文件的尾部是一个 PostScript ，这里面记录了整个文件的压缩类型以及 FileFooter 的长度信息等。在读取文件时，会 seek 到文件尾部读 PostScript ，从里面解析到 File Footer 长度，再读 FileFooter ，从里面解析到各个 Stripe 信息，再读各个 Stripe ，即从后往前读。
4. Parquet格式
Parquet 文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据， 因此 Parquet 格式文件是自解析的。
（1）行组 (Row Group)：每一个行组包含一定的行数，在一个 HDFS 文件中至少存储一个行组 ，类似于 orc 的 stripe 的概念。
（2）列块 (Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
（3）页 ( Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。
通常情况下，在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小，由于一般情况下每一个 Mapper 任务处理数据的最小单位是一个 Block ，这样可以把 每一个行组由一个 Mapper 任务处理，增大任务执行并行度 。 Parquet 文件的格式：
上图展示了一个 Parquet 文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的 Magic Code ，用于校验它是否是一个 Parquet 文件， Footer length 记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema 信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet 中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet 中还不支持索引页。
5. 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
存储文件的压缩比测试：
（1）TextFile，首先创建表，指定存储格式，然后加载数据，最后查看表中数据大小
hive (default)> create table log_text(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by " "
> stored as textfile;
OK
Time taken: 0.241 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/log.data' into table log_text;
Loading data to table default.log_text
OK
Time taken: 2.62 seconds
hive (default)> dfs -du -h /user/hive/warehouse/log_text;
18.1 M 54.4 M /user/hive/warehouse/log_text/log.data
123456789101112131415161718192021（2）Orc（设置 orc 存储不使用压缩）
hive (default)> create table log_orc(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by ' '
> stored as orc
> tblproperties("orc.compress"="NONE");
OK
Time taken: 0.149 seconds
hive (default)> insert into table log_orc select * from log_text;
hive (default)> dfs -du -h /user/hive/warehouse/log_orc/;
7.7 M 23.1 M /user/hive/warehouse/log_orc/000000_0
12345678910111213141516171819（3）Parquet
hive (default)> create table log_parquet(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by ' '
> stored as parquet;
OK
Time taken: 0.164 seconds
hive (default)> insert into table log_parquet select * from log_text;
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/;
13.1 M 39.3 M /user/hive/warehouse/log_parquet/000000_0
123456789101112131415161718存储文件的对比总结：ORC > Parquet > textFile
存储文件的查询速度测试：
（1）TextFile
hive (default)> insert overwrite local directory '/opt/module/hive-3.1.2/data/log_text' select substring(url,1,4) from log_text;
OK
_c0
Time taken: 18.312 seconds
1234（2）Orc
hive (default)> insert overwrite local directory '/opt/module/hive-3.1.2/data/log_orc' select substring(url,1,4) from log_orc;
OK
_c0
Time taken: 10.412 seconds
1234（3）Parquet
hive (default)> insert overwrite local directory '/opt/module/hive-3.1.2/data/log_parquet' select substring(url,1,4) from log_parquet;
OK
_c0
Time taken: 9.799 seconds
1234存储文件的查询速度总结：查询速度相近。
官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC存储方式的压缩：
注意：所有关于ORCFile 的参数都是在 HQL 语句的 TBLPROPERTIES 字段里面出现
1. 创建一个 ZLIB 压缩的 ORC 存储方式
（1）建表语句
hive (default)> create table log_orc_zlib(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by ' '
> stored as orc
> tblproperties("orc.compress"="ZLIB");
OK
Time taken: 0.118 seconds
1234567891011121314（2）插入数据
hive (default)> insert into log_orc_zlib select * from log_text;
1（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/;
2.8 M 8.3 M /user/hive/warehouse/log_orc_zlib/000000_0
122. 创建一个 SNAPPY 压缩的 ORC 存储方式
（1）建表语句
hive (default)> create table log_orc_snappy(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by ' '
> stored as orc
> tblproperties("orc.compress"="SNAPPY");
OK
Time taken: 0.138 seconds
1234567891011121314（2）插入数据
hive (default)> insert into log_orc_snappy select * from log_text;
1（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/;
3.7 M 11.2 M /user/hive/warehouse/log_orc_snappy/000000_0
12ZLIB比 Snappy压缩的还小。原因是 ZLIB采用的是 deflate压缩算法 。比 snappy压缩的压缩率高。
3. 创建一个 SNAPPY 压缩的 parquet 存储方式
（1）建表语句
hive (default)> create table log_parquet_snappy(
> track_time string,
> url string,
> session_id string,
> referer string,
> ip string,
> end_user_id string,
> city_id string
> )
> row format delimited fields terminated by ' '
> stored as parquet
> tblproperties("parquet.compression"="snappy");
OK
Time taken: 0.972 seconds
1234567891011121314（2）插入数据
hive (default)> insert into log_parquet_snappy select * from log_text;
1（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet_snappy/;
6.4 M 19.2 M /user/hive/warehouse/log_parquet_snappy/000000_0
124. 存储方式和压缩总结
在实际的项目开发当中，hive 表的数据存储格式一般选择 orc 或 parquet 。压缩方式一般选择 snappy 或 lzo 。
1. 基本语法
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
2. 案例实操
（1）查看下面这条语句的执行计划
没有生成 MR 任务的
hive (default)> explain select * from emp;
OK
Explain
Plan optimized by CBO.
Stage-0
Fetch Operator
limit:-1
Select Operator [SEL_1]
Output:["_col0","_col1","_col2","_col3","_col4","_col5","_col6","_col7"]
TableScan [TS_0]
Output:["empno","ename","job","mgr","hiredate","sal","comm","deptno"]
Time taken: 3.189 seconds, Fetched: 10 row(s)
1234567891011121314有生成 MR 任务的
hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
OK
Explain
Plan optimized by CBO.
Vertex dependency in root stage
Reducer 2 <- Map 1 (SIMPLE_EDGE)
Stage-0
Fetch Operator
limit:-1
Stage-1
Reducer 2 vectorized
File Output Operator [FS_12]
Select Operator [SEL_11] (rows=1 width=7030)
Output:["_col0","_col1"]
Group By Operator [GBY_10] (rows=1 width=7030)
Output:["_col0","_col1","_col2"],aggregations:["sum(VALUE._col0)","count(VALUE._col1)"],keys:KEY._col0
<-Map 1 [SIMPLE_EDGE] vectorized
SHUFFLE [RS_9]
PartitionCols:_col0
Group By Operator [GBY_8] (rows=1 width=7030)
Output:["_col0","_col1","_col2"],aggregations:["sum(sal)","count(sal)"],keys:deptno
Select Operator [SEL_7] (rows=1 width=7030)
Output:["sal","deptno"]
TableScan [TS_0] (rows=1 width=7030)
default@emp,emp,Tbl:COMPLETE,Col:NONE,Output:["sal","deptno"]
Time taken: 1.893 seconds, Fetched: 25 row(s)
1234567891011121314151617181920212223242526272829（2）查看详细执行计划
hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
12Fetch抓取是指 ，Hive中对某些情况的查询可以不必使用 MapReduce计算 。例如 SELECT * FROM employees;在这种情况下 Hive 可以简单地读取 employee对应的存储目录下的文件然后输出查询结果到控制台。在hive-default.xml.template文件中 hive.fetch.task.conversion默认是 more，老版本 hive默认是minimal，该属性修改为 more以后，在全局查找、字段查找、 limit查找等都不走 mapreduce。
hive.fetch.task.conversion
more
Expects one of [none, minimal, more].
Some select queries can be converted to single FETCH task minimizing latency.
Currently the query should be single sourced not having any subquery and should not haveany aggregations or distincts (which incurs RS), lateral views and joins.
0. none : disable hive.fetch.task.conversion
1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
123456789101112案例实操：
（1）把hive.fetch.task.conversion设置成 none ，然后执行查询语句，都会执行 mapreduce 程序。
hive (default)> set hive.fetch.task.conversion=none;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;
1234（2）把hive.fetch.task.conversion设置成 more，然后执行查询语句，如下查询方式都不会执行 mapreduce 程序。
hive (default)> set hive.fetch.task.conversion=more;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;
1234大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过，有时 Hive 的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况， Hive 可以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，执行时间可以明显被缩短。
用户可以通过设置hive.exec.mode.local.auto 的值为 true ，来让 Hive 在适当的时候自动启动这个优化。
set hive.exec.mode.local.auto=true; // 开启本地 mr
// 设置 local mr 的最大输入数据量，当输入数据量小于这个值时采用 local mr 的方式，默认
// 为 134217728 ，即 128M
set hive.exec .mode.local.auto.inputbytes.max=50000000;
// 设置 local mr 的最大输入文件个数，当输入文件个数小于这个值时采用 local mr 的方式，默认为 4
set hive.exec.mode.local.auto.input.files.max=10;
123456案例实操
（1）关闭本地模式 （默认是关闭的 ），并执行查询语句
hive (default)> select count(*) from emp group by deptno;
OK
_c0
3
5
6
1
Time taken: 8.67 seconds, Fetched: 4 row(s)
12345678（2）开启本地模式，并执行查询语句
hive (default)> set hive.exec.mode.local.auto=true;
hive (default)> select count(*) from emp group by deptno;
OK
_c0
3
5
6
1
Time taken: 9.457 seconds, Fetched: 4 row(s)
123456789将key 相对分散，并且数据量小的表放在join 的左边，可以使用map join 让小的维度表先进内存。在map 端完成 join。
实际测试发现：新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小表放在左边和右边已经没有区别。
1. 需求介绍
测试大表JOIN 小表和小表JOIN 大表的效率。
2. 开启 MapJoin 参数设置
（1）设置自动选择 Mapjoin， 默认为true
hive (default)> set hive.auto.convert.join = true;
1（2）大表小表的阈值设置（默认25M 以下认为是小表）：
hive (default)> set hive.mapjoin.smalltable.filesize = 25000000;
13. MapJoin 工作机制
4. 建大表、小表和 JOIN 后表的语句
// 创建大表
hive (default)> create table bigtable(id bigint, t bigint, uid string, keyword string,
> url_rank int, click_num int, click_url string) row format delimited
> fields terminated by ' ';
OK
Time taken: 0.193 seconds
// 创建小表
hive (default)> create table smalltable(id bigint, t bigint, uid string, keyword string,
> url_rank int, click_num int, click_url string) row format delimited
> fields terminated by ' ';
OK
Time taken: 0.162 seconds
// 创建 join 后的表
hive (default)> create table jointable(id bigint, t bigint, uid string, keyword string,
> url_rank int, click_num int, click_url string) row format delimited
> fields terminated by ' ';
OK
Time taken: 0.127 seconds
12345678910111213141516171819205. 分别向大表和小表中导入数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable;
Loading data to table default.bigtable
OK
Time taken: 27.455 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/smalltable' into table smalltable;
Loading data to table default.smalltable
OK
Time taken: 1.51 seconds
1234567896. 小表 JOIN 大表语句
hive (default)> insert overwrite table jointable
> select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
> from smalltable s
> join bigtable b
> on b.id = s.id;
Loading data to table default.jointable
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 97.527 seconds
1234567897. 大表 JOIN小表语句
hive (default)> insert overwrite table jointable
> select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
> from bigtable b
> join smalltable s
> on s.id = b.id;
Loading data to table default.jointable
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 94.968 seconds
1234567891. 空 KEY 过滤
有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同的 reducer 上，从而导致内存不够。此时我们应该仔细分析这些异常的 key ，很多情况下这些 key 对应的数据是异常数据，我们需要在 SQL 语句中进行过滤。例如 key 对应的字段为空，操作如下：
（1）配置历史服务器
配置mapred site.xml
mapreduce.jobhistory.address
hadoop102:10020
mapreduce.jobhistory.webapp.address
hadoop102:19888
12345678910启动历史服务器
sbin/mr-jobhistory daemon.sh start historyserver
1查看jobhistory
http://hadoop102:19888/jobhistory
（2）创建原始数据空 id 表
hive (default)> create table nullidtable(id bigint, t bigint, uid string, keyword string,
> url_rank int, click_num int, click_url string) row format delimited
> fields terminated by ' ';
OK
Time taken: 0.151 seconds
12345（3）分别加载原始数据和空 id 数据到对应表中
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/nullid' into table nullidtable;
Loading data to table default.nullidtable
OK
Time taken: 11.346 seconds
1234（4）测试不过滤空id
hive (default)> insert overwrite table jointable select n.* from
> nullidtable n left join bigtable o on n.id = o.id;
OK
n.id n.t n.uid n.keyword n.url_rank n.click_num n.click_url
Time taken: 182.221 seconds
12345（5）测试过滤空id
hive (default)> insert overwrite table jointable select n.* from (select * from nullidtable
> where id is not null) n left join bigtable o on n.id = o.id;
OK
n.id n.t n.uid n.keyword n.url_rank n.click_num n.click_url
Time taken: 152.913 seconds
123452. 空 key 转换
有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。例如：
不随机分布空 null 值：
（1）设置 5 个 reduce 个数
hive (default)> set mapreduce.job.reduces = 5;
1（2）JOIN 两张表
hive (default)> insert overwrite table jointable
> select n.* from nullidtable n left join bigtable b on n.id = b.id;
12结果：如下图所示，可以看出来，出现了数据倾斜，某些 reducer 的资源消耗远大于其他 reducer。
随机分布空 null 值
（1）设置 5 个 reduce 个数
hive (default)> set mapreduce.job.reduces = 5;
1（2）JOIN 两张表
insert overwrite table jointable
select n.* from nullidtable n full join bigtable o on
nvl(n.id,rand()) = o.id;
123（4）结果：如下图所示
3. SMB(Sort Merge Bucket join)
（1）创建第二张大表
hive (default)> create table bigtable2(
> id bigint,
> t bigint,
> uid string,
> keyword string,
> url_rank int,
> click_num int,
> click_url string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.368 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable2;
12345678910111213测试大表直接 JOIN
hive (default)> insert overwrite table jointable
> select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
> from bigtable s
> join bigtable2 b
> on b.id = s.id;
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 396.839 seconds
12345678（2）创建分桶表 1,桶的个数不要超过可用 CPU 的核数
hive (default)> create table bigtable_buck1(
> id bigint,
> t bigint,
> uid string,
> keyword string,
> url_rank int,
> click_num int,
> click_url string)
> clustered by(id)
> sorted by(id)
> into 6 buckets
> row format delimited fields terminated by ' ';
OK
Time taken: 0.537 seconds
hive (default)> load data local inpath
> '/opt/module/hive-3.1.2/data/bigtable' into table
> bigtable_buck1;
123456789101112131415161718（3） 创建分桶表 2，桶的个数不要超过可用 CPU 的核数
hive (default)> create table bigtable_buck2(
> id bigint,
> t bigint,
> uid string,
> keyword string,
> url_rank int,
> click_num int,
> click_url string)
> clustered by(id)
> sorted by(id)
> into 6 buckets
> row format delimited fields terminated by ' ';
hive (default)> load data local inpath
> '/opt/module/hive-3.1.2/data/bigtable' into table
> bigtable_buck2;
12345678910111213141516（4）设置参数
hive (default)> set hive.optimize.bucketmapjoin = true;
hive (default)> set hive.optimize.bucketmapjoin.sortedmerge = true;
hive (default)> set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
123（5）测试
hive (default)> insert overwrite table jointable
> select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
> from bigtable_buck1 s
> join bigtable_buck2 b
> on b.id = s.id;
12345默认情况下，Map 阶段同一 Key 数据分发给一个 reduce ，当一个 key 数据过大时就倾斜了。
并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在 Map 端进行部分聚合，最后在 Reduce 端得出最终结果。
开启 Map 端聚合参数设置
（1）是否在 Map 端进行聚合，默认为 True
hive (default)> set hive.map.aggr = true;
1（2）在 Map 端进行聚合操作的条目数目
hive (default)> set hive.groupby.mapaggr.checkinterval = 100000;
1（3）有数据倾斜的时候进行负载均衡（默认是 false）
hive (default)> set hive.groupby.skewindata = true;
1当选项设定为 true ，生成的查询计划会有两个 MR Job 。 第一个 MR Job 中， Map 的输出结果会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 21.7 sec HDFS Read: 37846 HDFS Write: 495 SUCCESS
Total MapReduce CPU Time Spent: 21 seconds 700 msec
OK
deptno
10
20
30
50
Time taken: 119.241 seconds, Fetched: 4 row(s)
123456789优化以后
hive (default)> set hive.groupby.skewindata = true;
hive (default)> select deptno from emp group by deptno;
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 18.73 sec HDFS Read: 35806 HDFS Write: 552 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 14.54 sec HDFS Read: 22374 HDFS Write: 495 SUCCESS
Total MapReduce CPU Time Spent: 33 seconds 270 msec
OK
deptno
10
20
30
50
Time taken: 104.013 seconds, Fetched: 4 row(s)
123456789101112数据量小的时候无所谓，数据量大的情况下，由于 COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job 很难完成，一般 COUNT DISTINCT使用先 GROUP BY 再 COUNT的方式替换 ,但是需要注意 group by造成的数据倾斜问题 。
案例实操
（1）创建一张大表
hive (default)> create table bigtable (id bigint, times bigint, uid string,
> keyword string, url_rank int, click_num int, click_url string)
> row format delimited fields terminated by ' ';
OK
Time taken: 0.221 seconds
12345（2）加载数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable;
Loading data to table default.bigtable
OK
Time taken: 11.977 seconds
1234（3）设置 5个 reduce 个数
hive (default)> set mapreduce.job.reduces = 5;
1（4）执行去重 id 查询
hive (default)> select count(distinct id) from bigtable;
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 21.11 sec HDFS Read: 129179350 HDFS Write: 580 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.07 sec HDFS Read: 8535 HDFS Write: 105 SUCCESS
Total MapReduce CPU Time Spent: 25 seconds 180 msec
OK
_c0
99947
Time taken: 96.086 seconds, Fetched: 1 row(s)
12345678（5）采用 GROUP by去重 id
hive (default)> select count(id) from (select id from bigtable group by id) a;
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 29.09 sec HDFS Read: 129191861 HDFS Write: 2033820 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 19.62 sec HDFS Read: 2053225 HDFS Write: 580 SUCCESS
Stage-Stage-3: Map: 1 Reduce: 1 Cumulative CPU: 3.58 sec HDFS Read: 8543 HDFS Write: 105 SUCCESS
Total MapReduce CPU Time Spent: 52 seconds 290 msec
OK
_c0
99947
Time taken: 154.433 seconds, Fetched: 1 row(s)
123456789虽然会多用一个 Job 来完成，但在数据量大的情况下，这个绝对是值得的。
尽量避免笛卡尔积，join 的时候不加 on 条件，或者无效的 on 条件， Hive 只能使用 1 个 reducer 来完成笛卡尔积 。
列处理：在 SELECT中，只拿需要的列，如果有分区，尽量使用分区过滤，少用 SELECT *。
行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在
where 后面，那么就会先全表关联，之后再过滤，比如：
（1）测试先关联两张表，再用 where 条件过滤
hive (default)> select o.id from bigtable b
> join bigtable o on o.id = b.id
> where o.id <= 10;
Time taken: 53.697 seconds, Fetched: 1081 row(s)
1234（2）通过子查询后，再关联表
hive (default)> select b.id from bigtable b
> join (select id from bigtable where id <= 10) o on b.id = o.id;
Time taken: 50.658 seconds, Fetched: 1081 row(s)
123（1）通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务。
主要的决定因素有：input 的文件总个数， input 的文件大小，集群设置的文件块大小。
（2）是不是 map 数越多越好？
答案是否定的。如果一个任务有很多小文件（远远小于块大小128m ），则每个小文件也会被当做一个块，用一个 map 任务来完成，而一个 map 任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的 map 数是受限的。
（3）是不是保证每个 map 处理接近 128M 的文件块，就高枕无忧了？
答案也是不一定。比如有一个127M 的文件，正常会用一个 map 去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果 map 处理的逻辑比较复杂，用一个 map 任务去做，肯定也比较耗时。
针对上面的问题 2 和 3 ，我们需要采取两种方式来解决：即减少 map 数和增加 map 数；
当 input 的文件都很大，任务逻辑复杂， map 执行非常慢的时候，可以考虑增加 Map 数，来使得每个 map 处理的数据量减少，从而提高任务的执行效率。
增加 map 的方法为：根据 computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式，调整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。
案例实操：
（1）执行查询
hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
12（2）设置最大切片值为 100 个字节
hive (default)> set mapreduce.input.fileinputformat.split.maxsize = 100;
Hadoop job information for Stage-1: number of mappers: 7; number of reducers: 1
12（1）在 map 执行前合并小文件，减少 map 数：CombineHiveInputFormat具有对小文件进行合并的功能（系统默认的格式）。HiveInputFormat没有对小文件合并功能。
hive (default)> set hive.input.format = org.apache.hadoop.hive.qi.io.CombineHiveInputFormat;
1（2）在 Map-Reduce 的任务结束时合并小文件的设置：
在 map-only 任务结束时合并小文件，默认 true
hive (default)> set hive.merge.mapfiles = true;
1在 map-reduce 任务结束时合并小文件，默认 false
hive (default)> set hive.merge.mapredfiles = true;
1合并文件的大小，默认 256M
hive (default)> set hive.merge.size.per.task = 268435456;
1当输出文件的平均大小小于该值时，启动一个独立的 map-reduce 任务进行文件 merge
hive (default)> set hive.merge.smallfiles.avgsize = 16777216;
11. 调整 reduce 个数方法一
（1）每个 Reduce 处理的数据量默认是 256 MB
hive (default)> set hive.exec.reducers.bytes.per.reducer = 256000000;
1（2）每个任务最大的 reduce 数，默认为 1009
hive (default)> set hive.exec.reducers.max = 1009;
1（3）计算 reducer 数的公式
N=min(参数2 ，总输入数据量/参数 1)
12. 调整 reduce 个数方法二
在 hadoop的mapred-default.xml文件中修改
设置每个 job 的 Reduce 个数
hive (default)> set mapreduce.job.reduces = 15;
13. reduce 个数并不是越多越好
（1）过多的启动和初始化 reduce 也会消耗时间和资源；
（2）另外，有多少个 reduce ，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；在设置 reduce 个数的时候也需要考虑这两个原则：处理大数据量利用合适的 reduce 数；使单个 reduce 任务处理数据量大小要合适。
Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以是 MapReduce 阶段、抽样阶段、合并阶段、 limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下，Hive 一次只会执行一个阶段。不过，某个特定的 job 可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个 job 的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么 job 可能就越快完成。
通过设置参数 hive.exec.parallel值为 true ，就可以开启并发执行。不过，在共享集群中需要注意下，如果 job 中并行阶段增多，那么集群利用率就会增加。
hive (default)> set hive.exec.parallel = true; // 打开任务并行执行
hive (default)> set hive.exec.parallel.thread.number = 16; // 同一个 sql 允许最大并行度，默认为 8
12当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来。
Hive 可以通过设置防止一些危险操作：
1. 分区表不使用分区过滤
将 hive.strict.checks.no.partition.filter设置为 true 时， 对于分区表，除非 where语句中含有分区字段过滤条件来限制范围, 否则不允许执行。 换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
2. 使用 order by 没有 limit 过滤
将hive.strict.checks.orderby.no.limit设置为 true 时， 对于使用了 order by 语句的查询，要求必须使用 limit 语句。 因为 order by 为了执行排序过程会将所有的结果数据分发到同一个Reducer 中进行处理，强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。
3. 笛卡尔积
将hive.strict.checks.cartesian.product设置为 true 时，会限制笛卡尔积的查询。 对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句，这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是， Hive 并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情
况。
统计硅谷影音视频网站的常规指标，各种Top N 指标：
1 统计视频观看数 Top10
2 统计视频类别热度 Top10
3 统计出视频观看数最高的 20 个视频的所属类别以及类别包含 Top20 视频的个数
4 统计视频观看数 Top50 所关联视频的所属类别 排序
5 统计每个类别中的视频热度 Top10, 以 Music 为例
6 统计每个类别视频观看数 Top10
7 统计上传视频最多的用户 Top10 以及他们上传的视频观看次数在前 20 的视频
1. 视频表
2. 用户表
1. 需要准备的表
创建原始数据表：gulivideo_ori，gulivideo_user_ori，
创建最终表：gulivideo_orc，gulivideo_user_orc
1. 创建原始数据表
（1）gulivideo_ori
hive (default)> create table gulivideo_ori(
> videoId string,
> uploader string,
> age int,
> category array,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array)
> row format delimited fields terminated by " "
> collection items terminated by "&"
> stored as textfile;
OK
Time taken: 0.131 seconds
12345678910111213141516 （2）创建原始数据表 : gulivideo_user_ori
hive (default)> create table gulivideo_user_ori(
> uploader string,
> videos int,
> friends int)
> row format delimited
> fields terminated by " "
> stored as textfile;
OK
Time taken: 0.131 seconds
1234567892. 创建 orc 存储格式带 snappy 压缩的表：
（1）gulivideo_orc
hive (default)> create table gulivideo_orc(
> videoId string,
> uploader string,
> age int,
> category array,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array)
> row format delimited fields terminated by ' '
> collection items terminated by '&'
> stored as orc
> tblproperties("orc.compress"="snappy");
OK
Time taken: 0.144 seconds
1234567891011121314151617 （2）gulivideo_user_orc
hive (default)> create table gulivideo_user_orc(
> uploader string,
> videos int,
> friends int)
> row format delimited fields terminated by ' '
> stored as orc
> tblproperties("orc.compress"="snappy");
OK
Time taken: 0.127 seconds
123456789（3）向 ori 表插入数据
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/video" into table gulivideo_ori;
Loading data to table default.gulivideo_ori
OK
Time taken: 4.183 seconds
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/user.txt" into table gulivideo_user_ori;
Loading data to table default.gulivideo_user_ori
OK
Time taken: 6.083 seconds
123456789（4）向 orc 表插入数据
hive (default)> insert into table gulivideo_orc select * from gulivideo_ori;
hive (default)> insert into table gulivideo_user_orc select * from gulivideo_user_ori;
12Tez 是 一个 Hive 的运行引擎，性能优于 MR 。
用 Hive 直接编写 MR 程序，假设有四个有依赖关系的 MR 作业 ，上图中，绿色是Reduce Task ，云状表示写屏蔽，需要将中间结果持久化写到 HDFS 。
Tez可以将多个有依赖的作业转换为一个作业，这样只需写一次 HDFS ，且中间节点较少，从而大大提升作业的计算性能 。
（1）将 tez 安装包拷贝到集群，并解压 tar 包
[Tom@hadoop102 software]$ mkdir /opt/module/tez
[Tom@hadoop102 software]$ tar -zxvf /opt/software/tez-0.10.1-SNAPSHOT-minimal.tar.gz -C /opt/module/tez
12（2）上传 tez 依赖到 HDFS
[Tom@hadoop102 software]$ hadoop fs -mkdir /tez
[Tom@hadoop102 software]$ hadoop fs -put /opt/software/tez-0.10.1-SNAPSHOT.tar.gz /tez
12（3）新建 tez-site.xml
[Tom@hadoop102 software]$ vim $HADOOP_HOME/etc/hadoop/tez-site.xml
1添加如下内容：
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
tez.lib.uris
${fs.defaultFS}/tez/tez-0.10.1-SNAPSHOT.tar.gz
tez.use.cluster.hadoop-libs
true
tez.am.resource.memory.mb
1024
tez.am.resource.cpu.vcores
1
tez.container.max.java.heap.fraction
0.4
tez.task.resource.memory.mb
1024
tez.task.resource.cpu.vcores
1
1234567891011121314151617181920212223242526272829303132（4）修改 Hadoop环境变量
[Tom@hadoop102 software]$ vim $HADOOP_HOME/etc/hadoop/shellprofile.d/tez.sh
1添加 Tez的 Jar 包相关信息
hadoop_add_profile tez
function _tez_hadoop_classpath
{
hadoop_add_classpath "$HADOOP_HOME/etc/hadoop" after
hadoop_add_classpath "/opt/module/tez/*" after
hadoop_add_classpath "/opt/module/tez/lib/*" after
}
1234567（5）修改 Hive 的计算引擎
[Tom@hadoop102 software]$ vim $HIVE_HOME/conf/hive-site.xml
1
hive.execution.engine
tez
hive.tez.container.size
1024
12345678（6）解决日志 Jar 包冲突
[Tom@hadoop102 software]$ rm /opt/module/tez/lib/slf4j-log4j12-1.7.10.jar
1hive (default)> select videoId, views from gulivideo_orc order by views desc limit 10;
OK
videoid views
dMH0bHeiRNg 42513417
0XxI-hvPRRA 20282464
1dmVU08zVpA 16087899
RB-wUgnyGv0 15712924
QjA5faZF1A8 15256922
-_CSo1gOd48 13199833
49IDp76kjPw 11970018
tYnn51C3X_w 11823701
pv5zWaTEVkI 11672017
D2kJZOfq7zk 11184051
Time taken: 15.721 seconds, Fetched: 10 row(s)
1234567891011121314思路
（1） 即统计每个类别有多少个视频，显示出包含视频最多的前 10 个类别。
（2） 我们需要按照类别 group by 聚合，然后 count 组内的 videoId 个数即可。
（3） 因为当前表结构为：一个视频对应一个或多个类别。所以如果要 group by 类别，需要先将类别进行列转行(展开)，然后再进行 count 即可。
（4）最后按照热度排序，显示前 10 条。
hive (default)> select t1.category_name,count(t1.videoId) hot
> from (select videoId, category_name
> from gulivideo_orc lateral view explode(category) gulivideo_orc_tmp as category_name) t1
> group by t1.category_name
> order by hot desc limit 10;
OK
t1.category_name hot
Music 5375
Entertainment 4557
Comedy 4443
Film 2953
Animation 2953
People 2208
Blogs 2208
News 2070
Politics 2070
Sports 1710
Time taken: 23.159 seconds, Fetched: 10 row(s)
123456789101112131415161718思路：
（1）先找到观看数最高的 20 个视频所属条目的所有信息，降序排列
（2）把这 20 条信息中的 category 分裂出来(列转行)
（3）最后查询视频分类名称和该分类下有多少个 Top20 的视频
hive (default)> select t2.category_name,count(t2.videoId) video_sum
> from(select t1.videoId, category_name from (
> select videoId, views, category from gulivideo_orc
> order by views desc limit 20) t1
> lateral view explode(t1.category) t1_tmp as category_name) t2
> group by t2.category_name;
OK
t2.category_name video_sum
Blogs 2
Comedy 6
Entertainment 6
Music 5
People 2
UNA 1
Time taken: 20.196 seconds, Fetched: 6 row(s)
123456789101112131415hive (default)> select category_name, count(*) ct
> from (select explode(category) category_name
> from (select g.category from (select explode(relatedId) related_id
> from (select relatedId, views
> from gulivideo_orc order by views desc limit 50)t1)t2
> join gulivideo_orc g on t2.related_id = g.videoId)t3)t4
> group by category_name order by ct desc;
OK
category_name ct
Comedy 203
Entertainment 181
Music 154
Animation 65
Film 65
People 49
Blogs 49
UNA 19
Politics 14
Travel 14
Sports 14
News 14
Places 14
DIY 10
Howto 10
Games 9
Gadgets 9
Animals 6
Pets 6
Autos 2
Vehicles 2
Time taken: 41.837 seconds, Fetched: 21 row(s)
12345678910111213141516171819202122232425262728293031思路：
（1) 要想统计 Music 类别中的视频热度 Top10，需要先找到 Music 类别，那么就需要将 category 展开 ，所以可以创建一张表用于存放 categoryId 展开的数据。
（2）向 category 展开的表中插入数据。
（3）统计对应类别（Music）中的视频热度。
hive (default)> create table gulivideo_orc_category(
> videoId string,
> uploader string,
> age int,
> category string,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array)
> stored as orc
> tblproperties("orc.compress"="snappy");
OK
Time taken: 0.944 seconds
hive (default)> insert into table gulivideo_orc_category
> select videoId, uploader, age, category_name, length, views, rate, ratings, comments, relatedId
> from gulivideo_orc lateral view explode(category) category_tmp as category_name;
hive (default)> select videoId, views from gulivideo_orc_category
> where category="Music"
> order by views desc limit 10;
OK
videoid views
QjA5faZF1A8 15256922
tYnn51C3X_w 11823701
pv5zWaTEVkI 11672017
8bbTtPL1jRs 9579911
UMf40daefsI 7533070
HSoVKUVOnfQ 6193057
NINJQ5LRh-0 3794886
FLn45-7Pn2Y 3604114
seGhTWE98DU 3296342
eiiU-Fky18s 3269875
Time taken: 16.568 seconds, Fetched: 10 row(s)
123456789101112131415161718192021222324252627282930313233343536 hive (default)> select category, videoId, views
> from (select category, videoId, views, rank() over(partition by category order by views desc) rk
> from gulivideo_orc_category) t1
> where rk <= 3;
OK
category videoid views
Animals l9l19D2sIHI 1422837
Animals LHyJH1yGKZY 1085020
Animals Qz_nZixWX6Q 1027067
Animation sdUUx5FdySs 5840839
Animation 6B26asyGKDo 5147533
Animation 55YYaJIrmzo 3356163
Autos 46LQd9dXFRU 1262173
Autos pdiuDXwgrjQ 1013697
Autos aCamHfJwSGU 847442
Blogs -_CSo1gOd48 13199833
Blogs D2kJZOfq7zk 11184051
Blogs LB84A3zcmVo 4866739
Comedy dMH0bHeiRNg 42513417
Comedy 0XxI-hvPRRA 20282464
Comedy 49IDp76kjPw 11970018
DIY hut3VRL5XRE 2684989
DIY 6gmP4nk0EOE 1353059
DIY rZb2VlDyYvk 1084141
Entertainment 1dmVU08zVpA 16087899
Entertainment RB-wUgnyGv0 15712924
Entertainment vr3x_RRJdd4 10786529
Film sdUUx5FdySs 5840839
Film 6B26asyGKDo 5147533
Film 55YYaJIrmzo 3356163
Gadgets GxSdKF5Fd38 2468395
Gadgets gPutYwiiE0o 1633482
Gadgets 7wt5FiZQrgM 1399531
Games GxSdKF5Fd38 2468395
Games gPutYwiiE0o 1633482
Games 7wt5FiZQrgM 1399531
Howto hut3VRL5XRE 2684989
Howto 6gmP4nk0EOE 1353059
Howto rZb2VlDyYvk 1084141
Music QjA5faZF1A8 15256922
Music tYnn51C3X_w 11823701
Music pv5zWaTEVkI 11672017
News hr23tpWX8lM 4706030
News qSM_3fyiaxM 2291369
News qdS5lkeN8_8 2091042
People -_CSo1gOd48 13199833
People D2kJZOfq7zk 11184051
People LB84A3zcmVo 4866739
Pets l9l19D2sIHI 1422837
Pets LHyJH1yGKZY 1085020
Pets Qz_nZixWX6Q 1027067
Places bNF_P281Uu4 5231539
Places AlPqL7IUT6M 845180
Places _5QUdvUhCZc 819974
Politics hr23tpWX8lM 4706030
Politics qSM_3fyiaxM 2291369
Politics qdS5lkeN8_8 2091042
Sports q8t7iSGAKik 2735003
Sports 7vL19q8yL54 2527713
Sports P-bWsOK-h98 2268107
Travel bNF_P281Uu4 5231539
Travel AlPqL7IUT6M 845180
Travel _5QUdvUhCZc 819974
UNA aRNzWyD7C9o 8825788
UNA LIhbap3FlGc 2849832
UNA R0049_tDAU8 1204982
Vehicles 46LQd9dXFRU 1262173
Vehicles pdiuDXwgrjQ 1013697
Vehicles aCamHfJwSGU 847442
Time taken: 27.612 seconds, Fetched: 63 row(s)
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970思路：
（1）求出上传视频最多的 10 个用户
（2）关联 gulivideo_orc表，求出这 10 个用户上传的所有的视频，按照观看数取前 20
hive (default)> select uploader, videoId, views
> from (select uploader, videoId, views, rank() over(partition by uploader order by views desc) rk
> from (select t1.uploader, videoId, views
> from (select uploader from gulivideo_user_orc order by videos desc limit 10)t1
> join gulivideo_orc g on t1.uploader = g.uploader)t2)t3
> where rk <= 20;页面更新：2024-04-23
本站资料均由网友自行发布提供，仅用于学习交流。如有版权问题，请与我联系，QQ：4156828
© CopyRight 2008-2024 All Rights Reserved. Powered By bs178.com 闽ICP备11008920号-3
闽公网安备35020302034844号
