Hive基础操作

1、Hive 基础（2）：库、表、字段、交互式查询的基本操作目录-· 1、命令行操作· 2、表操作· 3、列操作· 4、查看变量· 5、一个完整的建库、表例子· 6、常用语句示例· 7、Refer：1、命令行操作（1）打印查询头，需要显示设置：set hive.cli.print.header=true; （2）加"-"，其后的都被认为是注释，但 CLI 不解析注释。带有注释的文件只能通过这种方式执行： hive -f script_name （3）-e后跟带引号的hive指令或

2、者查询，-S去掉多余的输出： hive -S -e "select * FROM mytable LIMIT 3" > /tmp/myquery （4）遍历所有分区的查询将产生一个巨大的MapReduce作业，如果你的数据集和目录非常多， 因此建议你使用strict模型，也就是你存在分区时，必须指定where语句 hive> set hive.mapred.mode=strict;（5）显示当前使用数据库set hive.cli.print.current.db=true;（6）设置 Hive Job 优先级set map

3、red.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW(VERY_LOW=1,LOW=2500,NORMAL=5000,HIGH=7500,VERY_HIGH=10000)set mapred.job.map.capacity=M设置同时最多运行M个map任务set mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务（7）Hive 中的Mapper个数的是由以下几个参数确定的：mapred.min.split.size ，mapred.max.split.size ，dfs.block.s

4、izesplitSize = Math.max(minSize, Math.min(maxSize, blockSize);map个数还与inputfilles的个数有关，如果有2个输入文件，即使总大小小于blocksize,也会产生2个mapmapred.reduce.tasks用来设置reduce个数。2、表操作（1）查看某个表所有分区 SHOW PARTITIONS ext_trackflow 查询具体某个分区 SHOW PARTITIONS ext_trackflow PARTITION(statDate='20140529'); 

5、;（2）查看格式化的完整表结构 desc formatted ext_trackflow; DESCRIBE EXTENDED ext_trackflow; （3）删除分区：分区的元数据和数据将被一并删除，但是对于扩展表则只删除元数据 ALTER TABLE ext_trackflow DROP PARTITION (statDate='20140529'); （4）查询是外部表还是内部表 DESCRIBE EXTENDED tablename （5）复制表结构 CREATE EXTERNAL TA

6、BLE IF NOT EXISTS mydb.employees3  LIKE mydb.employees  LOCATION '/path/to/data' Note：如果你忽略关键字EXTERNAL，那么将依据 employees 是外部还是内部，如果加了那么一定是EXTERNAL,并要LOCATION （6）为内部表某个分区导入数据，Hive将建立目录并拷贝数据到分区当中 LOAD DATA LOCAL INPATH '$env:HOME/california-employees'&#

7、160;INTO TABLE employees PARTITION (country = 'US', state = 'CA'); （7）为外部表某个分区添加数据 ALTER TABLE log_messages ADD  IF NOT EXISTS PARTITION(year = 2012, month = 1, day = 2) LOCATION 'hdfs:/master_server/data/log_messages/2012/01/02' Note：Hive并不关心分区，

8、目录是否存在，是否有数据，这会导致没有查询结果 （8）修改表：在任何时候你都可以修改表，但是你仅仅修改的是表的元数据，都实际数据不会造成任何影响 例如更改分区指定位置，这个命令不会删除旧的数据 ALTER TABLE log_messages PARTITION(year = 2011, month = 12, day = 2) SET LOCATION 's3n:/ourbucket/logs/2011/01/02'（9）更改表属性ALTER TABLE log_messages SET TBLPROPERTIES ('note

9、s' = 'The process id is no longer captured; this column is always NULL');（10）更改存储属性ALTER TABLE log_messagesPARTITION(year = 2012, month = 1, day = 1)SET FILEFORMAT SEQUENCEFILE;Note：如果table是分区的话那么partition是必须的（11）指定新的 SerDeALTER TABLE table_using_JSON_storageSET SERDE 'com.example.JS

10、ONSerDe'WITH SERDEPROPERTIES ('prop1' = 'value1','prop2' = 'value2');Note：SERDEPROPERTIE解释SERDE用的何种模型，属性值和名称都为字符串，方便告诉用户，为自己指定SERDE并且应用于什么模型为当前SERDE设定ALTER TABLE table_using_JSON_storageSET SERDEPROPERTIES ('prop3' = 'value3','prop4' = '

11、;value4');（12）改变存储属性ALTER TABLE stocksCLUSTERED BY (exchange, symbol)SORTED BY (symbol)INTO 48 BUCKETS;（13）复杂更改表语句：为各种不同的操作添加 hook ALTER TABLE TOUCHALTER TABLE log_messages TOUCHPARTITION(year = 2012, month = 1, day = 1);典型的应用场景就是当分区有改动的时候，那么将触发hive -e 'ALTER TABLE log_messages TOUCH PARTITI

12、ON(year = 2012, month = 1, day = 1);'（14）ALTER TABLE ARCHIVE PARTITION 捕获分区文件到Hadoop archive file也就是HARALTER TABLE log_messages ARCHIVEPARTITION(year = 2012, month = 1, day = 1);（只可以用在被分区的表）（15）保护分区不被删除和查询ALTER TABLE log_messagesPARTITION(year = 2012, month = 1, day = 1) ENABLE NO_DROP;ALTER TAB

13、LE log_messagesPARTITION(year = 2012, month = 1, day = 1) ENABLE OFFLINE;Note：与ENABLE对应的是DISABLE，不能应用在未被分区的表（16）按正条件（正则表达式）显示表hive> SHOW TABLES '.*s'（17）外部表、内部表互转alter table tablePartition set TBLPROPERTIES ('EXTERNAL'='TRUE');  /内部表转外部表 alter table tablePartitio

14、n set TBLPROPERTIES ('EXTERNAL'='FALSE');  /外部表转内部表 （18）分区与分桶：partition（分区：按目录保存文件，每个partition对应一个目录）例如：?1234567891011CREATE EXTERNAL TABLE table1 (    column1           STRING,&#

15、160;   column2          STRING,    column3           STRING,)PARTITIONED BY (dt STRING)ROW FORMAT DELIMITED FIELDS TERMINATED

16、 BY '|'STORED AS TEXTFILE;ALTER TABLE table1 ADD IF NOT EXISTS PARTITION (dt=20090105);ALTER TABLE table1 ADD IF NOT EXISTS PARTITION (dt=20090102);ALTER TABLE table1 ADD I

17、F NOT EXISTS PARTITION (dt=20081231);bucket（分桶，对指定列作hash，每个bucket对应一个文件）?12345678910111213CREATE TABLE VT_NEW_DATA(    column1           STRING,    column2   &#

18、160;      STRING,    column3           STRING,)CLUSTERED BY (column1)SORTED BY (column1)INTO 48 BUCKETSROW FORMAT DELIMITED  FIELDS TERMINAT

19、ED BY '|'  LINES TERMINATED BY 'n'STORED AS RCFILE;3、列操作（1）重命名列，更改位置，类型和注释 ALTER TABLE log_messages CHANGE COLUMN hms hours_minutes_seconds INT COMMENT 'The hours, minutes, and seconds part of the timestamp' AFT

20、ER severity; 更改名称: new column old column type comment不是必须的，你可以添加注释 AFTER用于更改字段位置 仅修改了元数据并未对源data做任何改动 （2）添加新列 ALTER TABLE log_messages ADD COLUMNS ( app_name STRING COMMENT 'Application name', session_id LONG COMMENT 'The current session id');&

21、#160;（3）删除和替换列：慎用！ ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type COMMENT col_comment, .) ADD是代表新增一字段，字段位置在所有列后面(partition列前) REPLACE则是表示替换表中所有字段。 REPLACE COLUMNS removes all existing columns and adds the new set of columns.  REPLACE COLUMNS can also be

22、used to drop columns. For example: "ALTER TABLE test_change REPLACE COLUMNS (a int, b int);" will remove column c' from test_change's schema. Note that this does not delete underlying data, it just changes the schema.（4）REGEX Column SpecificationSELECT 语句可以使用正则表达式做列选择，下面的语句查询除

23、了 ds 和 hr 之外的所有列：SELECT (ds|hr)?+.+ FROM test4、查看变量hive> set;  hive> set-v;  even more output! set输出 hivevar,hiveconf,system 和 env 命名空间下的所有变量。 set -v包括了输出Hadoop定义的全部变量。 hive> set hivevar:foo=hello; hive> set hivevar:foo; hivevar:foo=hello 使用变量

24、： hive> create table toss1(i int, $hivevar:foo string); 5、一个完整的建库、表例子?123456789101112131415161718192021222324252627282930313233343536373839- 创建数据库create database ecdata WITH DBPROPERTIES ('creator' = 'June', 'date'

25、0;= '2014-06-01');- 或者使用 COMMENT 关键字- 查看数据库描述DESCRIBE DATABASE ecdata;DESCRIBE DATABASE EXTENDED  ecdata;- 切库use ecdata;  - 删除表drop table ext_trackflow; - 创建表create EXTERNAL table

26、60;IF NOT EXISTS ext_trackflow (    cookieId     string        COMMENT '05dvOVC6Il6INhYABV6LAg=',    cate1        string&#

27、160;       COMMENT '4',    area1        string        COMMENT '102',    url       &#

28、160;  string        COMMENT '    trackTime    string        COMMENT '2014-05-25 23:03:36',    trackURLMap  map<

29、;string,String>        COMMENT '"area":"102","cate":"4,29,14052"',)PARTITIONED BY (statDate STRING)ROW FORMAT DELIMITEDFIELDS TERMINATED BY '001'COLLECTION&

30、#160;ITEMS TERMINATED BY '002'MAP KEYS TERMINATED BY '003'LINES TERMINATED BY 'n'STORED AS TEXTFILELOCATION '/DataWarehouse/ods/TrackFlowTable' -添加分区语句ALTER TABLE ext_trackflow ADD

31、60;PARTITION (statDate='20140525') LOCATION '/DataWarehouse/ods/TrackFlowTable/20140525'  -每天建立分区yesterday=date -d '1 days ago' +'%Y%m%d'hive -e "use ecdata; ALTER TABLE ext_trackflow

32、 ADD PARTITION (statDate='$yesterday') LOCATION '/DataWarehouse/ods/TrackFlowTable/$yesterday'"6、常用语句示例（1）按页面类型统计 pv select pageType, count(pageType) from ext_trackflow where statDate = '20140521' group by pageType; Note：一般 SELECT 查询会扫描

33、整个表，使用 PARTITIONED BY 子句建表，查询就可以利用分区剪枝（input pruning）的特性 Hive 当前的实现是，只有分区断言出现在离 FROM 子句最近的那个WHERE 子句中，才会启用分区剪枝（2）导出查询结果到本地的两种方式INSERT OVERWRITE LOCAL DIRECTORY '/home/jun06/tmp/110.112.113.115' select area1, count(area1) from ext_trackflow where statDate = '20140521' group by ar

34、ea1  having  count(area1) > 1000;hive -e 'use ecdata; select area1, count(area1) from ext_trackflow where statDate = '20140521' group by area1  having  count(area1) > 1000;' > a.txt（3）map 数据结构的查询与使用select trackURLMap, extField, unitParamMap, queryParamMap

35、 from ext_trackflow where statDate = '20140525' and size(unitParamMap)!=0 limit 10;（4）下面的查询语句查询销售记录最大的 5 个销售代表。SET mapred.reduce.tasks = 1;SELECT * FROM test SORT BY amount DESC LIMIT 5;（5）将同一表中数据插入到不同表、路径中：FROM srcINSERT OVERWRITE TABLE dest1 SELECT src.* WHERE src.key < 100INSERT OVERWR

36、ITE TABLE dest2 SELECT src.key, src.value WHERE src.key >= 100 and src.key < 200INSERT OVERWRITE TABLE dest3 PARTITION(ds='2008-04-08', hr='12') SELECT src.key WHERE src.key >= 200 and src.key < 300INSERT OVERWRITE LOCAL DIRECTORY '/tmp/dest4.out' SELECT src.value

37、 WHERE src.key >= 300;（6）用streaming方式将文件流直接插入文件：hive> FROM invites a INSERT OVERWRITE TABLE events SELECT TRANSFORM(a.foo, a.bar) AS (oof, rab) USING '/bin/cat' WHERE a.ds > '2008-08-09'（7）Hive 只支持等值连接（equality joins）、外连接（outer joins）和（left semi joins）。Hive 不支持所有非等值的连接，因为非等值

38、连接非常难转化到 map/reduce 任务 LEFT，RIGHT和FULL OUTER关键字用于处理join中空记录的情况LEFT SEMI JOIN 是 IN/EXISTS 子查询的一种更高效的实现join 时，每次 map/reduce 任务的逻辑是这样的：reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统实践中，应该把最大的那个表写在最后（8）join 查询时，需要注意几个关键点只支持等值joinSELECT a.* FROM a JOIN b ON (a.id = b.id)SELECT a.* FROM a JOI

39、N b     ON (a.id = b.id AND a.department = b.department)可以 join 多于 2 个表，例如SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)Note：如果join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务（9）LEFT，RIGHT和FULL OUTERSELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)如果你想限制 join 的输出，应该在 WHERE 子句中写过滤条件或是在 join 子句中写容易混淆的问题是表分区的情况 SELECT c.val, d.val FROM c LEFT OUTER JOIN d