Hive

一、Hive入门

1、Hive功能

  • 1）Hive处理的数据存储在HDFS
  • 2）Hive分析数据底层的实现是MapReduce
  • 3）执行程序运行在Yarn上

2、Hive的优缺点

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）迭代式算法无法表达
  • （2）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。
  • （3）Hive自动生成的MapReduce作业，通常情况下不够智能化
  • （4）Hive调优比较困难，粒度较粗

3、Hive架构

  • （1）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。
  • （2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。
  • （3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
  • （4）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。

4、Hive的运行机制

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。

二、Hive数据类型

1、基本数据类型

Hive数据类型 Java数据类型 长度 例子
TINYINT byte 1byte有符号整数 20
SMALINT short 2byte有符号整数 20
INT int 4byte有符号整数 20
BIGINT long 8byte有符号整数 20
BOOLEAN boolean 布尔类型，true或者false TRUE FALSE
FLOAT float 单精度浮点数 3.14159
DOUBLE double 双精度浮点数 3.14159
STRING string 字符系列。可以指定字符集。可以使用单引号或者双引号。 ‘now is the time’ “for all good men”
TIMESTAMP 时间类型
BINARY 字节数组

2、集合数据类型

数据类型 描述 语法示例
STRUCT 和c语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。 struct()例如struct<street:string, city:string>
MAP MAP是一组键-值对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么可以通过字段名[‘last’]获取最后一个元素 map()例如map<string, int>
ARRAY 数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素可以通过数组名[1]进行引用。 Array()例如array

3、类型转化

Hive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）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。

三、DDL数据定义

​

1、建表语法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
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]
  • （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。

2、管理表与外部表的互相转换

  • （1）查询表的类型
1
2
3
hive (default)> desc formatted student2;

Table Type:       MANAGED_TABLE
  • （2）修改内部表student2为外部表
1
alter table student2 set tblproperties('EXTERNAL'='TRUE');
  • （3）查询表的类型
1
2
3
hive (default)> desc formatted student2;

Table Type:       EXTERNAL_TABLE
  • （4）修改外部表student2为内部表
1
alter table student2 set tblproperties('EXTERNAL'='FALSE');
  • （5）查询表的类型
1
2
3
hive (default)> desc formatted student2;

Table Type:       MANAGED_TABLE

注意：(‘EXTERNAL’=’TRUE’)和(‘EXTERNAL’=’FALSE’)为固定写法，区分大小写！

四、DML数据操作

1、数据导入

1
hive> load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partition (partcol1=val1,…)];
  • （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

五、查询

1
2
3
4
5
6
7
8
9
10
11
[WITH CommonTableExpression (, CommonTableExpression)*]  (Note: Only available
 starting with Hive 0.13.0)
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]