彷徨 | Hive的SQL--DDL详细操作

---

Hive的简介与安装见另一篇文章 : https://blog.csdn.net/weixin_35353187/article/details/82154151

---

Hive的三种使用方式 :

方式一 : bin/hive  交互式查询

方式二 : 启动Hive的网络服务 , 然后通过客户端beeline去连接服务进行查询 :

              启动服务 : bin/hiveserver2

              启动客户端去连接Hive服务 : bin/beeline -u jdbc:hive2://hadoop01:10000 -n root

方式三 : shell脚本方式查询

#!/bin/bash
HIVE_HOME=/root/apps/hive-1.2.2
$HIVE_HOME/bin/hive -e 'insert into table t_avg  as  select skuid,avg(amount) from t_2 group by skuid'
$HIVE_HOME/bin/hive -e 'create table t_result as select skuid,sum(amount) from t_2 group by skuid'

补充一 ：bin/hive -f /root/etl.sql  （把sql语句写到一个专门的文件里）, Linux 会去执行SQL文件里面的所有语句

新建一个test.sql文件 , 里面放俩条SQL语句 :

执行  hive -f /root/test.sql  命令

补充二 : 在Linux窗口hive -e '' SQL语句 ''  也可以执行SQL语句

hive -e 'select * from t_access'

可以看出查询结果是一样的

补充三 : SQL是一种面向集合的编程语言

---

1  以服务的形式启动Hive :

nohup hiveserver2 >/dev/null 2>&1  &

---

2  客户端连接 : 

方式一:

beeline  
!connect jdbc:hive2://hadoop01:10000
root
方式二:

beeline -u jdbc:hive2://hadoop01:10000 -n root

查看端口是否被监听 : netstat -nltp  

如果10000端口被监听 , hive服务就启动了 .

---

3  基本操作语句

3.1  创建内部表

create table t_user(id string,name string) 
row format delimited 
fields terminated by ',';

---

3.2  创建外部表

create external table t_access(ip String,url String,access_time String)
row format delimited 
fields terminated by ','
location "/data/acc";

内部表直接把数据上传到hdfs对应的目录(/user/hive/warehouse)上，就能够关联起来 . 外部表跟内部表的区别，内部表放在warehouse下面，删除表的时候会把数据删除掉，外部表示需要自己制定目录，删除表的时候，不会删除数据

---

3.3  查看表结构.

desc tablename

---

3.4  删除表

drop table t_order;

删除表的效果是：

hive会从元数据库中清除关于这个表的信息；

hive还会从hdfs中删除这个表的表目录；

---

3.5  分区表

3.5.1 一个分区建表

 注意：分区字段，不能出现在表字段里面 , 不同的分区数据存放在不同的目录下面
create table t_access(id string,url string,access_time string)
partitioned by(dt string)
row format delimited  fields terminated by ',';

日志文件 : 

向分区中导入数据 : 

load data local inpath '/root/access.log.2018-08-29.log' into table t_access partition(dt='20170829');

load data local inpath '/root/access.log.2018-08-30.log' into table t_access partition(dt='20170830');

针对分区进行查询 : 

A : 统计8月30号的总量：实质：就是将分区字段当成表字段来用，就可以使用where子句指定分区了

select count(*) from t_access where dt='20180829';

B : 统计表中所有数据总量：实质：不指定分区条件即可

select count(*) from t_access;

3.5.2 多个分区建表

3.5.2.1 内部表分区

建表 : 

CREATE TABLE t_2(id int,skuid string,price float,amount int)

partitioned by (day string,city string)

row format delimited fields terminated by ',';

导数据 :

t 2.1 数据 ：2018-04-15 北京

t 2.2 数据 ：2018-04-15 上海

 t 2.3 数据 ：

LOAD DATA LOCAL INPATH '/root/t2.1' into TABLE t_2 PARTITION(day='2018-04-15',city='beijing');

LOAD DATA LOCAL INPATH '/root/t2.2' into TABLE t_2 PARTITION(day='2018-04-15',city='shanghai');

LOAD DATA LOCAL INPATH '/root/t2.3' into TABLE t_2 PARTITION(day='2018-04-16',city='beijing');

查询 ：

1 ： select * from t_2；

2 ： select sum(price*amount) from t_2;

3 ： select sum(price*amount) from t_2 where day = "2018-04-15" and city = "beijing";

3.5.2.2 外部表分区

建表 ：注：外部表建表时，最后需要制定一个目录 location '/xx/yy';

导数据 :

LOAD DATA LOCAL INPATH '/root/t2.1' into TABLE t_2_ex PARTITION(day='2018-04-15');

查询 :

注 : 给外部表添加分区

已经存在一个目录 , 但是不在外部表的指定目录下 , 我们可以修改表 , 给这个表添加一个目录 .即将一个已存在的文件夹 , 作为表的一个分区 .

此时,根目录下面有一个2018-04-16的文件夹,里面有一个名为 t2.1 的文件

我们将其添加到外部表的指定目录  /xx/yy 下 , 以便一起查询 . 此时只是Hive记录了那个文件的位置 , 并没有将文件复制或剪贴到外部表的指定目录.

alter table t_2_ex  add partition (day = '2018-04-16') location '/2018-04-16';

查询 :

select * from t_2_ex;

我们将其添加到外部表的指定目录  /xx/yy 下 , 以便一起查询 . 此时只是Hive记录了那个文件的位置 , 并没有将文件复制或剪贴到外部表的指定目录 . 可以看到外部表的指定目录 /xx/yy下只有2018-04-15一个文件夹 , 并没有我们刚才添加的2018-04-16文件夹 ,但是查询的时候 , 会查询到里面的内容 . 

此方法也适用于内部表 , 可以将一个已存在的文件夹作为内部表的一个分区

---

3.6  CTAS建表语法

3.6.1 可以通过已存在表来建表：

create table t_user_2 like t_user;

新建的t_user_2表结构定义与源表t_user一致，但是没有数据

查看表数据 : 并没有数据

3.6.2 在建表的同时插入数据

create table t_user_3

as

select id,name from t_user;

t_user_3会根据select查询的字段来建表，同时将查询的结果插入新表中

查询新表数据 :

---

3.7  数据的导入与导出 

3.7.1 将数据文件导入hive的表

方式1：导入数据的一种方式：手动用hdfs命令，将文件放入表目录；

方式2：在hive的交互式shell中用hive命令来导入本地数据到表目录 ( 将本地文件导入 Hive 中的表 ) 

hive>load data local inpath '/root/order.data.2' into table t_order;

方式3：用hive命令导入hdfs中的数据文件到表目录 ( 将 HDFS 中的文件导入Hive中 )

hive>load data inpath '/access.log.2017-08-06.log' into table t_access partition(dt='20170806');

注意：导本地文件和导HDFS文件的区别：

本地文件导入表：复制

hdfs文件导入表：移动

注 :Hive不会对用户所导入的数据做任何的检查和约束;想导什么数据就导什么数据,但是字段不匹配会出现问题.

3.7.2 将hive表中的数据导出到指定路径的文件

将hive表中的数据导入HDFS的文件

insert overwrite directory '/root/access-data'

row format delimited fields terminated by ','

select * from t_access;

将hive表中的数据导入本地磁盘文件

insert overwrite local directory '/root/access-data'

row format delimited fields terminated by ','

select * from t_access limit 100000;

3.7.3 hive文件格式

HIVE支持很多种文件格式： SEQUENCE FILE | TEXT FILE | PARQUET FILE | RC FILE

create table t_pq(movie string,rate int)  stored as textfile;

create table t_pq(movie string,rate int)  stored as sequencefile;

create table t_pq(movie string,rate int)  stored as parquetfile;

---

3.8  时间类型

TIMESTAMP (时间戳) (包含年月日时分秒的一种封装)

DATE (日期)（只包含年月日）

示例，假如有以下数据文件：

1,zhangsan,1985-06-30

2,lisi,1986-07-10

3,wangwu,1985-08-09

那么，就可以建一个表来对数据进行映射

create table t_customer(id int,name string,birthday date)

row format delimited fields terminated by ',';

然后导入数据

load data local inpath '/root/customer.dat' into table t_customer;

然后，就可以正确查询

---

3.9  复合类型

3.9.1 array数组类型

示例：array类型的应用

假如有如下数据需要用hive的表去映射：

战狼2,吴京:吴刚:龙母,2017-08-16

三生三世十里桃花,刘亦菲:痒痒,2017-08-20

设想：如果主演信息用一个数组来映射比较方便

建表：

create table t_movie(moive_name string,actors array<string>,first_show date)

row format delimited fields terminated by ','

collection items terminated by ':';

导入数据：

load data local inpath '/root/movie.dat' into table t_movie;

查询：

select * from t_movie;

我也不知道为啥没对齐,很尴尬

select moive_name,actors[0] from t_movie;

select movie_name,actors from t_movie where array_contains(actors,'吴刚');

select movie_name,size(actors) from t_movie;

3.9.2 Map类型

maps: MAP<primitive_type, data_type> 

假如有以下数据：

1,zhangsan,father:xiaoming#mother:xiaohuang#brother:xiaoxu,28

2,lisi,father:mayun#mother:huangyi#brother:guanyu,22

3,wangwu,father:wangjianlin#mother:ruhua#sister:jingtian,29

4,mayun,father:mayongzhen#mother:angelababy,26

可以用一个map类型来对上述数据中的家庭成员进行描述

建表语句：

create table t_person(id int,name string,family_members map<string,string>,age int)

row format delimited fields terminated by ','

collection items terminated by '#'

map keys terminated by ':';

导入数据：

load data local inpath '/root/person.dat' into table t_person;

查询

select * from t_person;

取map字段的指定key的值

select id,name,family_members['father'] as father from t_person;

注 : as  father  为设置一个别名

取map字段的所有key

select id,name,map_keys(family_members) as relation from t_person;

取map字段的所有value

select id,name,map_values(family_members) from t_person;

select id,name,map_values(family_members)[0] from t_person;

综合：查询有brother的用户信息

select id,name,brother 
from 
(select id,name,family_members['brother'] as brother from t_person) tmp 
where brother is not null;

3.9.3 struct类型

structs: STRUCT<col_name : data_type, ...>

假如有如下数据：

1,zhangsan,18:male:beijing

2,lisi,28:female:shanghai

其中的用户信息包含：年龄：整数，性别：字符串，地址：字符串

设想用一个字段来描述整个用户信息，可以采用struct

建表：

create table t_person_struct(id int,name string,info struct<age:int,sex:string,addr:string>)

row format delimited fields terminated by ','

collection items terminated by ':';

导入数据：

load data local inpath '/root/person_struct.dat' into table t_person_struct;

查询

select * from t_person_struct;

select id,name,info.age from t_person_struct;

select id,name,info.sex from t_person_struct;

---

3.10  修改表定义

仅修改Hive元数据，不会触动表中的数据，用户需要确定实际的数据布局符合元数据的定义。

修改表名：

ALTER TABLE table_name RENAME TO new_table_name

示例：alter table t_zhang rename to t_junjie;

修改分区名：

alter table t_partition partition(department='xiangsheng',sex='male',howold=20) 
rename to partition(department='1',sex='1',howold=20);

添加分区：

alter table t_partition add partition (department='2',sex='0',howold=40);

删除分区：

alter table t_partition drop partition (department='2',sex='2',howold=24);

修改表的文件格式定义：

ALTER TABLE table_name [PARTITION partitionSpec] SET FILEFORMAT file_format

alter table t_partition partition(department='2',sex='0',howold=40 ) set fileformat sequencefile;

修改列名定义：

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENTcol_comment] [FIRST|(AFTER column_name)] 

alter table t_user change price jiage float first;

price为之前的列名 , jiage为新的列名 , float 为字段的类型 ,first 可加可不加 , 加的话该列修改以后会放到第一列 .

增加/替换列：

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

alter table t_user add columns (sex string,addr string);

添加列 , 一次可以添加多个列 . (sex,addr)即为新添加的列 , 需要跟上字段类型

alter table t_user replace columns (id string,age int,price float);

替换 ,直接将原字段替换掉

alter table t_junjie replace columns (id int,sex string);

3.11  hive查询语法

sql是一门面向集合的编程语言；

select 1;

提示：在做小数据量查询测试时，可以让hive将mrjob提交给本地运行器运行，可以在hive会话中设置如下参数：

hive> set hive.exec.mode.local.auto=true;

hive> set hive.exec.mode.local.auto=true;

hive> set hive.exec.mode.local.auto=true;

基本查询示例

select * from t_access;

select count(*) from t_access;

select max(ip) from t_access;

条件查询

select * from t_access where access_time<'2017-08-06 15:30:20'

select * from t_access where access_time<'2017-08-06 16:30:20' and ip>'192.168.33.3';

3.12  join关联查询示例

注 : Hive中 join 不支持不等值连接 , 只支持等值连接 , 其他 SQL 支持不等值 join 连接 .

假如有a.txt文件

a,1
b,2
c,3
d,4

假如有b.txt文件

a,aa
b,bb
d,cc
e,dd

创建  t_a 表和 t_b 表 :

导入数据 :

3.12.1 内连接

select * from t_a a join t_b b on a.name = b.name;

结果：

3.12.2 左外连接

select * from t_a a left join t_b b on a.name = b.name;

结果 : 

3.12.3 右外连接

select * from t_a a right join t_b b on a.name = b.name;

结果：

3.12.4 全外连接  full outer join

select * from t_a a full join t_b b on a.name = b.name;

结果：

3.12.5 左半连接  left semi join

Left semi join ：相当于join连接两个表后产生的数据中的左半部分

注意： left semi join的 select子句中，不能有右表的字段

select * from t_a a left semi join t_b b on a.name = b.name;

结果：

3.13 group by分组聚合

注意： 一旦有group by子句，那么，在select子句中就不能有 （分组字段，聚合函数） 以外的字段

(说的简单通俗一点就是 , 分组以后的查询只能查询分组的字段 , 以及分组以后可以聚合的字段 , 比如最大值 , 最小值 , 求和 , 求平均值等等的答案只有一个的字段 , 如果按性别分组 , 会有 male这种结果 , 我们可以求成绩的最大值 , 或者年龄的平均值 , 又或是年龄的最小值 , 但是不能求姓名 , 因为对应的 male 只有一行 , 而姓名有俩个 , 就会出现俩行 ) . 

为什么where必须写在group by的前面，为什么group by后面的条件只能用having

因为，where是用于在真正执行查询逻辑之前过滤数据用的

having是对group by聚合之后的结果进行再过滤；

有如下数据 :

创建一个表 :

create table t_user(id int,name string,age int,score int,sex string)

row format delimited fields terminated by ',';

导数据 :

load data local inpath '/root/user.txt' into table t_user;

分组查询 :

1 按性别分组 , 并查询性别以及年龄的最大值

select max(age),sex from t_user group by sex ;

2 求每一种性别的平均成绩 , 但请过滤掉平均年龄 >25岁的性别 

select sex,avg(score) from t_user group by sex having avg(age)<=25;

3 . 求每一种性别的平均成绩 , 但是性别平均年龄>25的不要 , 而且性别平均成绩低于85分的不要 

select sex,avg(score) from t_user group by sex having avg(age)<=25 and avg(score)>=85;

4 求每种性别的平均成绩 , 但是成绩低于82分不计入统计 , 并且最后结果中 , 去除性别平均年龄>25岁的;

select sex,avg(score) from t_user where score>82 group by sex having avg(age)<25;

查询过程图 :

上述语句的执行逻辑：

where过滤不满足条件的数据

用聚合函数和group by进行数据运算聚合，得到聚合结果

用having条件过滤掉聚合结果中不满足条件的数据