1.??Hive基本操作

1.1 ?DDL操作

1.1.1??? 創(chuàng)建表

建表語(yǔ)法

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

?? [(col_name data_type[COMMENT col_comment], ...)] +

?? [COMMENT table_comment]

?? [PARTITIONED BY (col_namedata_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]

?

說(shuō)明：

1、CREATE TABLE 創(chuàng)建一個(gè)指定名字的表。如果相同名字的表已經(jīng)存在，則拋出異常；用戶(hù)可以用 IF NOTEXISTS 選項(xiàng)來(lái)忽略這個(gè)異常。

2、EXTERNAL關(guān)鍵字可以讓用戶(hù)創(chuàng)建一個(gè)外部表，在建表的同時(shí)指定一個(gè)指向?qū)嶋H數(shù)據(jù)的路徑（LOCATION），Hive 創(chuàng)建內(nèi)部表時(shí)，會(huì)將數(shù)據(jù)移動(dòng)到數(shù)據(jù)倉(cāng)庫(kù)指向的路徑；若創(chuàng)建外部表，僅記錄數(shù)據(jù)所在的路徑，不對(duì)數(shù)據(jù)的位置做任何改變。在刪除表的時(shí)候，內(nèi)部表的元數(shù)據(jù)和數(shù)據(jù)會(huì)被一起刪除，而外部表只刪除元數(shù)據(jù)，不刪除數(shù)據(jù)。

3、 LIKE 允許用戶(hù)復(fù)制現(xiàn)有的表結(jié)構(gòu)，但是不復(fù)制數(shù)據(jù)。

4、 ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMSTERMINATED BY char]

??????? [MAP KEYSTERMINATED BY char] [LINES TERMINATED BY char]

?? | SERDEserde_name [WITH SERDEPROPERTIES (property_name=property_value,property_name=property_value, ...)]

用戶(hù)在建表的時(shí)候可以自定義 SerDe 或者使用自帶的 SerDe。如果沒(méi)有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，將會(huì)使用自帶的 SerDe。在建表的時(shí)候，用戶(hù)還需要為表指定列，用戶(hù)在指定表的列的同時(shí)也會(huì)指定自定義的 SerDe，Hive通過(guò) SerDe 確定表的具體的列的數(shù)據(jù)。

5、 STORED AS

SEQUENCEFILE|TEXTFILE|RCFILE

如果文件數(shù)據(jù)是純文本，可以使用 STORED AS TEXTFILE。如果數(shù)據(jù)需要壓縮，使用 STORED ASSEQUENCEFILE。

?

6、CLUSTERED BY

對(duì)于每一個(gè)表（table）或者分區(qū)，Hive可以進(jìn)一步組織成桶，也就是說(shuō)桶是更為細(xì)粒度的數(shù)據(jù)范圍劃分。Hive也是 針對(duì)某一列進(jìn)行桶的組織。Hive采用對(duì)列值哈希，然后除以桶的個(gè)數(shù)求余的方式?jīng)Q定該條記錄存放在哪個(gè)桶當(dāng)中。

把表（或者分區(qū)）組織成桶（Bucket）有兩個(gè)理由：

（1）獲得更高的查詢(xún)處理效率。桶為表加上了額外的結(jié)構(gòu)，Hive 在處理有些查詢(xún)時(shí)能利用這個(gè)結(jié)構(gòu)。具體而言，連接兩個(gè)在（包含連接列的）相同列上劃分了桶的表，可以使用 Map 端連接 （Map-side join）高效的實(shí)現(xiàn)。比如JOIN操作。對(duì)于JOIN操作兩個(gè)表有一個(gè)相同的列，如果對(duì)這兩個(gè)表都進(jìn)行了桶操作。那么將保存相同列值的桶進(jìn)行JOIN操作就可以，可以大大較少JOIN的數(shù)據(jù)量。

（2）使取樣（sampling）更高效。在處理大規(guī)模數(shù)據(jù)集時(shí)，在開(kāi)發(fā)和修改查詢(xún)的階段，如果能在數(shù)據(jù)集的一小部分?jǐn)?shù)據(jù)上試運(yùn)行查詢(xún)，會(huì)帶來(lái)很多方便。

具體實(shí)例

1、? 創(chuàng)建內(nèi)部表mytable。

?

2、? 創(chuàng)建外部表pageview。

?

3、? 創(chuàng)建分區(qū)表invites。

create table student_p(Sno int,Sname string,Sex string,Sage int,Sdept string) partitioned by(part string) row format delimited fields terminated by ','stored as textfile;

?

?

4、? 創(chuàng)建帶桶的表student。

1.1.2?? 修改表

增加/刪除分區(qū)

ü? 語(yǔ)法結(jié)構(gòu)

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION'location1' ] partition_spec [ LOCATION 'location2' ] ...

partition_spec:

: PARTITION (partition_col = partition_col_value, partition_col =partiton_col_value, ...)

?

ALTER TABLE table_name DROP partition_spec, partition_spec,...

ü? 具體實(shí)例

alter table student_p add partition(part='a') partition(part='b');

?

重命名表

ü? 語(yǔ)法結(jié)構(gòu)

ALTER TABLE table_name RENAME TO new_table_name

ü? 具體實(shí)例

增加/更新列

ü? 語(yǔ)法結(jié)構(gòu)

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type[COMMENT col_comment], ...)

注：ADD是代表新增一字段，字段位置在所有列后面(partition列前)，REPLACE則是表示替換表中所有字段。

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

ü? 具體實(shí)例

1.1.3?? 顯示命令

show tables

show databases

show partitions

show functions

desc extended t_name;

desc formatted table_name;

1.2 ?DML操作

1.2.1?? Load

? 語(yǔ)法結(jié)構(gòu)

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO

TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

?

說(shuō)明：

1、? Load操作只是單純的復(fù)制/移動(dòng)操作，將數(shù)據(jù)文件移動(dòng)到 Hive 表對(duì)應(yīng)的位置。

2、? filepath：

相對(duì)路徑，例如：project/data1

絕對(duì)路徑，例如：/user/hive/project/data1

包含模式的完整 URI，列如：

hdfs://namenode:9000/user/hive/project/data1

3、? LOCAL關(guān)鍵字

如果指定了 LOCAL，load 命令會(huì)去查找本地文件系統(tǒng)中的 filepath。

如果沒(méi)有指定 LOCAL 關(guān)鍵字，則根據(jù)inpath中的uri[M1]?查找文件

?

4、? OVERWRITE關(guān)鍵字

如果使用了 OVERWRITE 關(guān)鍵字，則目標(biāo)表（或者分區(qū)）中的內(nèi)容會(huì)被刪除，然后再將 filepath 指向的文件/目錄中的內(nèi)容添加到表/分區(qū)中。

如果目標(biāo)表（分區(qū)）已經(jīng)有一個(gè)文件，并且文件名和 filepath 中的文件名沖突，那么現(xiàn)有的文件會(huì)被新文件所替代。

?

? 具體實(shí)例

1、 加載相對(duì)路徑數(shù)據(jù)。

?

2、 加載絕對(duì)路徑數(shù)據(jù)。

?

3、 加載包含模式數(shù)據(jù)。

?

4、 OVERWRITE關(guān)鍵字使用。

1.2.2???????Insert

? 將查詢(xún)結(jié)果插入Hive表

ü? 語(yǔ)法結(jié)構(gòu)

利用查詢(xún)語(yǔ)句，將查詢(xún)結(jié)果插入新的表

INSERT OVERWRITE [INTO] TABLE tablename1 [PARTITION (partcol1=val1,partcol2=val2 ...)] select_statement1 FROM from_statement

?

插入一條數(shù)據(jù)

INSERT INTO TABLE VALUES(XX,YY,ZZ);

?

Multi Inserts多重插入:

FROM from_statement

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1,partcol2=val2 ...)] select_statement1

[INSERT OVERWRITE TABLE tablename2 [PARTITION ...]

select_statement2] ...

?

Dynamic partition inserts動(dòng)態(tài)分區(qū)插入:

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1],partcol2[=val2] ...) select_statement FROM from_statement

?

ü? 具體實(shí)例

1、基本模式插入。

?

?

2、多插入模式。

?

3、自動(dòng)分區(qū)模式。

?

v?導(dǎo)出表數(shù)據(jù)

ü? 語(yǔ)法結(jié)構(gòu)

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...

?

multiple inserts:

FROM from_statement

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1

[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2]...

?

ü? 具體實(shí)例

1、導(dǎo)出文件到本地。

?

說(shuō)明：

數(shù)據(jù)寫(xiě)入到文件系統(tǒng)時(shí)進(jìn)行文本序列化，且每列用^A來(lái)區(qū)分，\n為換行符。用more命令查看時(shí)不容易看出分割符，可以使用: sed-e 's/\x01/|/g' filename[dht2]?來(lái)查看。

?

2、導(dǎo)出數(shù)據(jù)到HDFS。

1.2.3???????SELECT

? 基本的Select操作

ü? 語(yǔ)法結(jié)構(gòu)

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list [HAVING condition]]

[CLUSTERBY col_list

? | [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]

]

[LIMIT number]

?

注：1、order by 會(huì)對(duì)輸入做全局排序，因此只有一個(gè)reducer，會(huì)導(dǎo)致當(dāng)輸入規(guī)模較大時(shí)，需要較長(zhǎng)的計(jì)算時(shí)間。

2、sort by不是全局排序，其在數(shù)據(jù)進(jìn)入reducer前完成排序。因此，如果用sortby進(jìn)行排序，并且設(shè)置mapred.reduce.tasks>1，則sort by只保證每個(gè)reducer的輸出有序，不保證全局有序。

3、distribute by(字段)根據(jù)指定的字段將數(shù)據(jù)分到不同的reducer，且分發(fā)算法是hash散列。

4、Cluster by(字段) 除了具有Distributeby的功能外，還會(huì)對(duì)該字段進(jìn)行排序。

?

因此，如果分桶和sort字段是同一個(gè)時(shí)，此時(shí)，cluster by = distribute by + sort by

?

分桶表的作用：最大的作用是用來(lái)提高join操作的效率；

（思考這個(gè)問(wèn)題：

select a.id,a.name,b.addr from a join b ona.id = b.id;

如果a表和b表已經(jīng)是分桶表，而且分桶的字段是id字段

做這個(gè)join操作時(shí)，還需要全表做笛卡爾積嗎？）

?

ü? 具體實(shí)例

1、獲取年齡大的3個(gè)學(xué)生。

?

2、查詢(xún)學(xué)生信息按年齡，降序排序。

?

3、按學(xué)生名稱(chēng)匯總學(xué)生年齡。

?

2.3 Hive Join

? 語(yǔ)法結(jié)構(gòu)

join_table:

? table_reference JOINtable_factor [join_condition]

? | table_reference{LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition

? | table_reference LEFT SEMIJOIN table_reference join_condition

Hive 支持等值連接（equality joins）、外連接（outer joins）和（left/right joins）。Hive 不支持非等值的連接，因?yàn)榉堑戎颠B接非常難轉(zhuǎn)化到 map/reduce 任務(wù)。

另外，Hive 支持多于 2 個(gè)表的連接。

寫(xiě) join 查詢(xún)時(shí)，需要注意幾個(gè)關(guān)鍵點(diǎn)：

1. 只支持等值join

例如：

? SELECT a.* FROMa JOIN b ON (a.id = b.id)

? SELECT a.* FROM a JOIN b

??? ON (a.id = b.id AND a.department =b.department)

是正確的，然而:

? SELECT a.* FROM a JOIN b ON (a.id>b.id)

是錯(cuò)誤的。

?

2. 可以 join 多于 2 個(gè)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)

如果join中多個(gè)表的join key 是同一個(gè)，則 join 會(huì)被轉(zhuǎn)化為單個(gè)map/reduce 任務(wù)，例如：

? SELECT a.val,b.val, c.val FROM a JOIN b

??? ON (a.key =b.key1) JOIN c

??? ON (c.key =b.key1)

被轉(zhuǎn)化為單個(gè) map/reduce 任務(wù)，因?yàn)?join 中只使用了 b.key1 作為 join key。

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key =b.key1)

? JOIN c ON(c.key = b.key2)

而這一 join 被轉(zhuǎn)化為2 個(gè) map/reduce 任務(wù)。因?yàn)?b.key1 用于第一次 join 條件，而 b.key2 用于第二次 join。

??

3．join 時(shí)，每次 map/reduce 任務(wù)的邏輯：

??? reducer 會(huì)緩存 join 序列中除了最后一個(gè)表的所有表的記錄，再通過(guò)最后一個(gè)表將結(jié)果序列化到文件系統(tǒng)。這一實(shí)現(xiàn)有助于在 reduce 端減少內(nèi)存的使用量。實(shí)踐中，應(yīng)該把最大的那個(gè)表寫(xiě)在最后（否則會(huì)因?yàn)榫彺胬速M(fèi)大量?jī)?nèi)存）。例如：

?SELECT a.val, b.val, c.val FROM a

??? JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key1)

所有表都使用同一個(gè) join key（使用 1 次 map/reduce 任務(wù)計(jì)算）。Reduce 端會(huì)緩存 a 表和 b 表的記錄，然后每次取得一個(gè) c 表的記錄就計(jì)算一次 join 結(jié)果，類(lèi)似的還有：

? SELECT a.val,b.val, c.val FROM a

??? JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key2)

這里用了 2 次map/reduce 任務(wù)。第一次緩存 a 表，用 b 表序列化；第二次緩存第一次 map/reduce 任務(wù)的結(jié)果，然后用 c 表序列化。

?

4．LEFT，RIGHT 和 FULLOUTER 關(guān)鍵字用于處理 join 中空記錄的情況

例如：

? SELECT a.val,b.val FROM

a LEFT OUTER ?JOIN b ON (a.key=b.key)

對(duì)應(yīng)所有 a 表中的記錄都有一條記錄輸出。輸出的結(jié)果應(yīng)該是 a.val, b.val，當(dāng) a.key=b.key 時(shí)，而當(dāng) b.key 中找不到等值的 a.key 記錄時(shí)也會(huì)輸出:

a.val, NULL

所以 a 表中的所有記錄都被保留了；

“a RIGHT OUTER JOIN b”會(huì)保留所有 b 表的記錄。

?

Join 發(fā)生在 WHERE 子句之前。如果你想限制 join 的輸出，應(yīng)該在 WHERE 子句中寫(xiě)過(guò)濾條件——或是在join 子句中寫(xiě)。這里面一個(gè)容易混淆的問(wèn)題是表分區(qū)的情況：

? SELECT a.val,b.val FROM a

? LEFT OUTER JOINb ON (a.key=b.key)

? WHEREa.ds='2009-07-07' AND b.ds='2009-07-07'

會(huì) join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的記錄。WHERE 從句中可以使用其他列作為過(guò)濾條件。但是，如前所述，如果 b 表中找不到對(duì)應(yīng) a 表的記錄，b 表的所有列都會(huì)列出 NULL，包括 ds 列。也就是說(shuō)，join 會(huì)過(guò)濾 b 表中不能找到匹配a 表 join key 的所有記錄。這樣的話(huà)，LEFTOUTER 就使得查詢(xún)結(jié)果與 WHERE 子句無(wú)關(guān)了。解決的辦法是在 OUTER JOIN 時(shí)使用以下語(yǔ)法：

? SELECT a.val,b.val FROM a LEFT OUTER JOIN b

? ON (a.key=b.keyAND

?????b.ds='2009-07-07' AND

?????a.ds='2009-07-07')

這一查詢(xún)的結(jié)果是預(yù)先在 join 階段過(guò)濾過(guò)的，所以不會(huì)存在上述問(wèn)題。這一邏輯也可以應(yīng)用于 RIGHT 和 FULL 類(lèi)型的join 中。

?

Join 是不能交換位置的。無(wú)論是 LEFT 還是RIGHT join，都是左連接的。

? SELECT a.val1,a.val2, b.val, c.val

? FROM a

? JOIN b ON(a.key = b.key)

? LEFT OUTER JOINc ON (a.key = c.key)

先 join a 表到 b 表，丟棄掉所有 join key 中不匹配的記錄，然后用這一中間結(jié)果和 c 表做 join。這一表述有一個(gè)不太明顯的問(wèn)題，就是當(dāng)一個(gè) key 在 a 表和 c 表都存在，但是 b 表中不存在的時(shí)候：整個(gè)記錄在第一次 join，即 a JOIN b 的時(shí)候都被丟掉了（包括a.val1，a.val2和a.key），然后我們?cè)俸?c 表 join 的時(shí)候，如果c.key 與 a.key 或 b.key 相等，就會(huì)得到這樣的結(jié)果：NULL, NULL, NULL, c.val

?

? 具體實(shí)例

1、? 獲取已經(jīng)分配班級(jí)的學(xué)生姓名。

?

2、? 獲取尚未分配班級(jí)的學(xué)生姓名。

3、? LEFT ?SEMI ?JOIN是IN/EXISTS的高效實(shí)現(xiàn)。

?

3 Hive Shell參數(shù)

3.1 Hive命令行

? 語(yǔ)法結(jié)構(gòu)

hive [-hiveconf x=y]* [<-i filename>]* [<-ffilename>|<-e query-string>] [-S]

說(shuō)明：

1、? -i?從文件初始化HQL。

2、? -e從命令行執(zhí)行指定的HQL

3、? -f執(zhí)行HQL腳本

4、? -v輸出執(zhí)行的HQL語(yǔ)句到控制臺(tái)

5、? -p<port> connect to Hive Server on port number

6、? -hiveconfx=y Use this to set hive/hadoop configuration variables.

? 具體實(shí)例

1、運(yùn)行一個(gè)查詢(xún)。

2、運(yùn)行一個(gè)文件。

?

3、運(yùn)行參數(shù)文件。

?

3.2 Hive參數(shù)配置方式

Hive參數(shù)大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

?

開(kāi)發(fā)Hive應(yīng)用時(shí)，不可避免地需要設(shè)定Hive的參數(shù)。設(shè)定Hive的參數(shù)可以調(diào)優(yōu)HQL代碼的執(zhí)行效率，或幫助定位問(wèn)題。然而實(shí)踐中經(jīng)常遇到的一個(gè)問(wèn)題是，為什么設(shè)定的參數(shù)沒(méi)有起作用？這通常是錯(cuò)誤的設(shè)定方式導(dǎo)致的。

?

對(duì)于一般參數(shù)，有以下三種設(shè)定方式：

l?配置文件

l?命令行參數(shù)

l?參數(shù)聲明

?

配置文件：Hive的配置文件包括

l?用戶(hù)自定義配置文件：$HIVE_CONF_DIR/hive-site.xml

l?默認(rèn)配置文件：$HIVE_CONF_DIR/hive-default.xml

用戶(hù)自定義配置會(huì)覆蓋默認(rèn)配置。

另外，Hive也會(huì)讀入Hadoop的配置，因?yàn)?span style="color:#ff0000;">Hive是作為Hadoop的客戶(hù)端啟動(dòng)的，Hive的配置會(huì)覆蓋Hadoop的配置。

配置文件的設(shè)定對(duì)本機(jī)啟動(dòng)的所有Hive進(jìn)程都有效。

?

命令行參數(shù)：啟動(dòng)Hive（客戶(hù)端或Server方式）時(shí)，可以在命令行添加-hiveconfparam=value來(lái)設(shè)定參數(shù)，例如：

bin/hive-hiveconf hive.root.logger=INFO,console

這一設(shè)定對(duì)本次啟動(dòng)的Session（對(duì)于Server方式啟動(dòng)，則是所有請(qǐng)求的Sessions）有效。

?

參數(shù)聲明：可以在HQL中使用SET關(guān)鍵字設(shè)定參數(shù)，例如：

setmapred.reduce.tasks=100;

這一設(shè)定的作用域也是session級(jí)的。

?

上述三種設(shè)定方式的優(yōu)先級(jí)依次遞增。即參數(shù)聲明覆蓋命令行參數(shù)，命令行參數(shù)覆蓋配置文件設(shè)定。注意某些系統(tǒng)級(jí)的參數(shù)，例如log4j相關(guān)的設(shè)定，必須用前兩種方式設(shè)定，因?yàn)槟切﹨?shù)的讀取在Session建立以前已經(jīng)完成了。

?

4. Hive函數(shù)

4.1 內(nèi)置運(yùn)算符

內(nèi)容較多，見(jiàn)《Hive官方文檔》

?

4.2 內(nèi)置函數(shù)

內(nèi)容較多，見(jiàn)《Hive官方文檔》

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

?

測(cè)試各種內(nèi)置函數(shù)的快捷方法：

1、創(chuàng)建一個(gè)dual表

create table dual(id string);

2、load一個(gè)文件（一行，一個(gè)空格）到dual表

3、select substr('angelababy',2,3) from dual;

?

4.3 Hive自定義函數(shù)和Transform

當(dāng)Hive提供的內(nèi)置函數(shù)無(wú)法滿(mǎn)足你的業(yè)務(wù)處理需要時(shí)，此時(shí)就可以考慮使用用戶(hù)自定義函數(shù)（UDF：user-defined function）。

4.3.1 自定義函數(shù)類(lèi)別

UDF? 作用于單個(gè)數(shù)據(jù)行，產(chǎn)生一個(gè)數(shù)據(jù)行作為輸出。（數(shù)學(xué)函數(shù)，字符串函數(shù)）

UDAF（用戶(hù)定義聚集函數(shù)）：接收多個(gè)輸入數(shù)據(jù)行，并產(chǎn)生一個(gè)輸出數(shù)據(jù)行。（count，max）

?

4.3.2 UDF開(kāi)發(fā)實(shí)例

l? 簡(jiǎn)單UDF示例

1、先開(kāi)發(fā)一個(gè)java類(lèi)，繼承UDF，并重載evaluate方法

package cn.itcast.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text; ? public final class Lower extends UDF{ ???? public Text evaluate(final Text s){ ???? ???? if(s==null){return null;} ???? ???? return new Text(s.toString().toLowerCase()); ???? } }

?

2、打成jar包上傳到服務(wù)器

3、將jar包添加到hive的classpath

hive>add JAR /home/hadoop/udf.jar;

4、創(chuàng)建臨時(shí)函數(shù)與開(kāi)發(fā)好的java class關(guān)聯(lián)

Hive>create temporary function tolowercase as 'cn.itcast.bigdata.udf.ToProvince';

?

5、即可在hql中使用自定義的函數(shù)tolowercase ip?

Select tolowercase(name),age from t_test;

?

l? Json數(shù)據(jù)解析UDF開(kāi)發(fā)

作業(yè)：

有原始json數(shù)據(jù)如下：

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"} {"movie":"661","rate":"3","timeStamp":"978302109","uid":"1"} {"movie":"914","rate":"3","timeStamp":"978301968","uid":"1"} {"movie":"3408","rate":"4","timeStamp":"978300275","uid":"1"} {"movie":"2355","rate":"5","timeStamp":"978824291","uid":"1"} {"movie":"1197","rate":"3","timeStamp":"978302268","uid":"1"} {"movie":"1287","rate":"5","timeStamp":"978302039","uid":"1"}

?

需要將數(shù)據(jù)導(dǎo)入到hive數(shù)據(jù)倉(cāng)庫(kù)中

我不管你中間用幾個(gè)表，最終我要得到一個(gè)結(jié)果表：

movie	rate	timestamp	uid
1197	3	978302268	1

?

注：全在hive中完成，可以用自定義函數(shù)

?

4.3.3 Transform實(shí)現(xiàn)

Hive的 TRANSFORM 關(guān)鍵字提供了在SQL中調(diào)用自寫(xiě)腳本的功能

適合實(shí)現(xiàn)Hive中沒(méi)有的功能又不想寫(xiě)UDF的情況

?

使用示例1：下面這句sql就是借用了weekday_mapper.py對(duì)數(shù)據(jù)進(jìn)行了處理.

CREATE TABLE u_data_new ( ? movieid INT, ? rating INT, ? weekday INT, ? userid INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; ? add FILE weekday_mapper.py; ? INSERT OVERWRITE TABLE u_data_new SELECT ? TRANSFORM (movieid , rate, timestring,uid) ? USING 'python weekday_mapper.py' ? AS (movieid, rating, weekday,userid) FROM t_rating;

?

其中weekday_mapper.py內(nèi)容如下

#!/bin/python import sys import datetime ? for line in sys.stdin: ? line = line.strip() ? movieid, rating, unixtime,userid = line.split('\t') ? weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday() ? print '\t'.join([movieid, rating, str(weekday),userid])

?

5. Hive實(shí)戰(zhàn)

Hive 實(shí)戰(zhàn)案例1——數(shù)據(jù)ETL

需求：

ü?對(duì)web點(diǎn)擊流日志基礎(chǔ)數(shù)據(jù)表進(jìn)行etl（按照倉(cāng)庫(kù)模型設(shè)計(jì)）

ü?按各時(shí)間維度統(tǒng)計(jì)來(lái)源域名top10

已有數(shù)據(jù)表 “t_orgin_weblog”：

+------------------+------------+----------+--+ |???? col_name???? | data_type? | comment? | +------------------+------------+----------+--+ | valid??????????? | string???? |????????? | | remote_addr????? | string???? |????????? | | remote_user????? | string???? |????????? | | time_local?????? | string???? |????????? | | request????????? | string???? |? ????????| | status?????????? | string???? |????????? | | body_bytes_sent? | string???? |????????? | | http_referer???? | string???? |????????? | | http_user_agent? | string???? |????????? | +------------------+------------+----------+--+

?

數(shù)據(jù)示例：

| true|1.162.203.134| - | 18/Sep/2013:13:47:35| /images/my.jpg??????????????????????? | 200| 19939 | "http://www.angularjs.cn/A0d9"????????????????????? | "Mozilla/5.0 (Windows?? | ? | true|1.202.186.37 | - | 18/Sep/2013:15:39:11| /wp-content/uploads/2013/08/windjs.png| 200| 34613 | "http://cnodejs.org/topic/521a30d4bee8d3cb1272ac0f" | "Mozilla/5.0 (Macintosh;|

?

實(shí)現(xiàn)步驟：

1、對(duì)原始數(shù)據(jù)進(jìn)行抽取轉(zhuǎn)換

--將來(lái)訪url分離出host? path?query? query id

drop table if exists t_etl_referurl; create table t_etl_referurl as SELECT a.*,b.* FROM t_orgin_weblog a LATERAL VIEW parse_url_tuple(regexp_replace(http_referer, "\"", ""), 'HOST', 'PATH','QUERY', 'QUERY:id') b as host, path, query, query_id ?

?

3、從前述步驟進(jìn)一步分離出日期時(shí)間形成ETL明細(xì)表“t_etl_detail”??? day tm??

drop table if exists t_etl_detail; create table t_etl_detail as select b.*,substring(time_local,0,11) as daystr, substring(time_local,13) as tmstr, substring(time_local,4,3) as month, substring(time_local,0,2) as day, substring(time_local,13,2) as hour from t_etl_referurl b; ?

?

3、對(duì)etl數(shù)據(jù)進(jìn)行分區(qū)(包含所有數(shù)據(jù)的結(jié)構(gòu)化信息)

drop table t_etl_detail_prt; create table t_etl_detail_prt( valid????????????? ?????string, remote_addr??????????? string, remote_user??????????? string, time_local???????? ??????string, request???????????? ????string, status?????????????? ???string, body_bytes_sent???? ????string, http_referer???????? ????string, http_user_agent??? ?????string, host?????????????????? string, path?????????????????? string, query????????????????? string, query_id?????????????? string, daystr???????????????? string, tmstr????????????????? string, month????????????????? string, day??????????????????? string, hour?????????????????? string) partitioned by (mm string,dd string);

?

導(dǎo)入數(shù)據(jù)

insert into table t_etl_detail_prt partition(mm='Sep',dd='18') select * from t_etl_detail where daystr='18/Sep/2013'; ? insert into table t_etl_detail_prt partition(mm='Sep',dd='19') select * from t_etl_detail where daystr='19/Sep/2013';

?

分個(gè)時(shí)間維度統(tǒng)計(jì)各referer_host的訪問(wèn)次數(shù)并排序

create table t_refer_host_visit_top_tmp as select referer_host,count(*) as counts,mm,dd,hh from t_display_referer_counts group by hh,dd,mm,referer_host order by hh asc,dd asc,mm asc,counts desc; ?

?

4、來(lái)源訪問(wèn)次數(shù)topn各時(shí)間維度URL

取各時(shí)間維度的referer_host訪問(wèn)次數(shù)topn

select * from (select referer_host,counts,concat(hh,dd),row_number() over (partition by concat(hh,dd) order by concat(hh,dd) asc) as od from t_refer_host_visit_top_tmp) t where od<=3; ?

?

Hive 實(shí)戰(zhàn)案例2——訪問(wèn)時(shí)長(zhǎng)統(tǒng)計(jì)

需求：

從web日志中統(tǒng)計(jì)每日訪客平均停留時(shí)間

實(shí)現(xiàn)步驟：

1、? 由于要從大量請(qǐng)求中分辨出用戶(hù)的各次訪問(wèn)，邏輯相對(duì)復(fù)雜，通過(guò)hive直接實(shí)現(xiàn)有困難，因此編寫(xiě)一個(gè)mr程序來(lái)求出訪客訪問(wèn)信息（詳見(jiàn)代碼）

啟動(dòng)mr程序獲取結(jié)果：

[hadoop@hdp-node-01 ~]$ hadoop jar weblog.jar cn.itcast.bigdata.hive.mr.UserStayTime /weblog/input /weblog/stayout

?

2、? 將mr的處理結(jié)果導(dǎo)入hive表

drop table t_display_access_info_tmp; create table t_display_access_info_tmp(remote_addr string,firt_req_time string,last_req_time string,stay_long bigint) row format delimited fields terminated by '\t'; ? load data inpath '/weblog/stayout4' into table t_display_access_info_tmp;

?

3、得出訪客訪問(wèn)信息表 "t_display_access_info"

由于有一些訪問(wèn)記錄是單條記錄，mr程序處理處的結(jié)果給的時(shí)長(zhǎng)是0，所以考慮給單次請(qǐng)求的停留時(shí)間一個(gè)默認(rèn)市場(chǎng)30秒

drop table t_display_access_info; create table t_display_access_info as select remote_addr,firt_req_time,last_req_time, case stay_long when 0 then 30000 else stay_long end as stay_long from t_display_access_info_tmp;

?

4、統(tǒng)計(jì)所有用戶(hù)停留時(shí)間平均值

select avg(stay_long) fromt_display_access_info;

?

Hive實(shí)戰(zhàn)案例3——級(jí)聯(lián)求和accumulate

需求：

有如下訪客訪問(wèn)次數(shù)統(tǒng)計(jì)表t_access_times

訪客	月份	訪問(wèn)次數(shù)
A	2015-01	5
A	2015-01	15
B	2015-01	5
A	2015-01	8
B	2015-01	25
A	2015-01	5
A	2015-02	4
A	2015-02	6
B	2015-02	10
B	2015-02	5
……	……	……

?

需要輸出報(bào)表：t_access_times_accumulate

訪客	月份	月訪問(wèn)總計(jì)	累計(jì)訪問(wèn)總計(jì)
A	2015-01	33	33
A	2015-02	10	43
…….	…….	…….	…….
B	2015-01	30	30
B	2015-02	15	45
…….	…….	…….	…….

?

實(shí)現(xiàn)步驟

可以用一個(gè)hql語(yǔ)句即可實(shí)現(xiàn)：

select A.username,A.month,max(A.salary) as salary,sum(B.salary) as accumulate from (select username,month,sum(salary) as salary from t_access_times group by username,month) A inner join (select username,month,sum(salary) as salary from t_access_times group by username,month) B on A.username=B.username where B.month <= A.month group by A.username,A.month order by A.username,A.month;

?

---

如果指定了 LOCAL，那么：

load 命令會(huì)去查找本地文件系統(tǒng)中的 filepath。如果發(fā)現(xiàn)是相對(duì)路徑，則路徑會(huì)被解釋為相對(duì)于當(dāng)前用戶(hù)的當(dāng)前路徑。

load 命令會(huì)將 filepath中的文件復(fù)制到目標(biāo)文件系統(tǒng)中。目標(biāo)文件系統(tǒng)由表的位置屬性決定。被復(fù)制的數(shù)據(jù)文件移動(dòng)到表的數(shù)據(jù)對(duì)應(yīng)的位置。

?

如果沒(méi)有指定 LOCAL 關(guān)鍵字，如果 filepath 指向的是一個(gè)完整的 URI，hive 會(huì)直接使用這個(gè) URI。否則：如果沒(méi)有指定 schema 或者 authority，Hive 會(huì)使用在 hadoop 配置文件中定義的 schema 和 authority，fs.default.name指定了 Namenode 的 URI。

如果路徑不是絕對(duì)的，Hive 相對(duì)于/user/進(jìn)行解釋。

Hive 會(huì)將 filepath 中指定的文件內(nèi)容移動(dòng)到table （或者 partition）所指定的路徑中。

?

總結(jié)

以上是生活随笔為你收集整理的Hive基本操作，DDL操作(创建表，修改表，显示命令)，DML操作(Load Insert Select),Hive Join,Hive Shell参数(内置运算符、内置函数)等的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。