Hive查询
1、基本查询
查询语句
SELECT [ALL | DISTINCT] select_expr, select_expr, ... -- 查询表中的哪些字段
FROM table_reference -- 从哪个表查出来
[WHERE where_condition] -- where过滤条件
[GROUP BY col_list] -- 分组
[ORDER BY col_list] -- 全局排序
[CLUSTER BY col_list -- 分区排序
| [DISTRIBUTE BY col_list] [SORT BY col_list] -- 分区 排序
]
[LIMIT number] -- 限制返回的数据条数
1.1 全表和特定列查询
1）全表查询
hive (default)> select * from emp;
2）选择特定列查询
hive (default)> select empno, ename from emp;
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。
1.2 列别名
1）重命名一个列
2）便于计算
3）紧跟列名，也可以在列名和别名之间加入关键字"AS"
-- 查询名称和部门。
hive (default)> select ename AS name, deptno dn from emp;
1.3 算术运算符
| 运算符 | 描述 |
|---|---|
| A+B | A和B相加 |
| A-B | A减去B |
| A*B | A和B相乘 |
| A/B | A除以B |
| A%B | A对B取余 |
| A&B | A和B按位取与 |
| A|B | A和B按位取或 |
| A^B | A和B按位异或 |
| ~A | A按位取反 |
-- 查看所有的员工的薪水后加1显示
hive(default)>select sal+1 as sal from emp;
1.4 常用函数
1）求总行数（count）
hive (default)>select count(*) cnt from emp;
2）求工资的最大值（max）
hive (default)>select max(sal) max_sal from emp;
3）求工资最小值（min）
hive (default)>select min(sal) min_sal from emp;
4）求工资的总和（sum）
hive (default)>select sum(sal) sum_sal from emp;
5）求工资的平均值（avg）
hive (default)>select avg(sal) avg_sal from emp;
1.5 Limit语句
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 5;
hive (default)> select * from emp limit 2,3; -- 表示从第2行开始，向下抓取3行
1.6 Where语句
1)使用where子句,将不满足条件的行过滤掉
2）where子句紧随from子句
-- 查询出薪水大于1000的所有员工。
hive (default)> select * from emp where sal > 1000;
注意：where子句中不能使用字段别名。
-
7关系运算函数
1）基本语法
如下操作符主要用于where和having语句中。
| 操作符 | 支持的数据类型 | 描述 |
|---|---|---|
| A=B | 基本数据类型 | 如果A等于B则返回true，反之返回false |
| A<=>B | 基本数据类型 | 如果A和B都为null或者都不为null，则返回true，如果只有一边为null，返回false |
| A<>B, A!=B | 基本数据类型 | A或者B为null则返回null；如果A不等于B，则返回true，反之返回false |
| A<B | 基本数据类型 | A或者B为null，则返回null；如果A小于B，则返回true，反之返回false |
| A<=B | 基本数据类型 | A或者B为null，则返回null；如果A小于等于B，则返回true，反之返回false |
| A>B | 基本数据类型 | A或者B为null，则返回null；如果A大于B，则返回true，反之返回false |
| A>=B | 基本数据类型 | A或者B为null，则返回null；如果A大于等于B，则返回true，反之返回false |
| A [not] between B and C | 基本数据类型 | 如果A，B或者C任一为null，则结果为null。如果A的值大于等于B而且小于或等于C，则结果为true，反之为false。如果使用not关键字则可达到相反的效果。 |
| A is null | 所有数据类型 | 如果A等于null，则返回true，反之返回false |
| A is not null | 所有数据类型 | 如果A不等于null，则返回true，反之返回false |
| in（数值1，数值2） | 所有数据类型 | 使用 in运算显示列表中的值 |
| A [not] like B | string 类型 | B是一个SQL下的简单正则表达式，也叫通配符模式，如果A与其匹配的话，则返回true；反之返回false。B的表达式说明如下：‘x%’表示A必须以字母‘x’开头，‘%x’表示A必须以字母‘x’结尾，而‘%x%’表示A包含有字母‘x’,可以位于开头，结尾或者字符串中间。如果使用not关键字则可达到相反的效果。 |
| A rlike B, A regexp B | string 类型 | B是基于java的正则表达式，如果A与其匹配，则返回true；反之返回false。匹配使用的是JDK中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串A相匹配，而不是只需与其字符串匹配。 |
1.8 逻辑运算函数
1）基本语法（and/or/not）
| 操作符 | 含义 |
|---|---|
| And | 逻辑并 |
| Or | 逻辑或 |
| Not | 逻辑否 |
--查询薪水大于1000，部门是30
hive (default)> select *
from emp
where sal > 1000 and deptno = 30;
-- 查询薪水大于1000，或者部门是30
hive (default)> select *
from emp
where sal>1000 or deptno=30;
--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(30, 20);
1.9 Like 和rlike
Like是模糊查询，rlike是带有正则表达式的模糊查询，模糊的部分使用%来表示
-- 查找名字为A开头的员工信息
hive (default)>selelct * from emp where ename like 'A%';
-- 查看名字中带有A的员工信息
hive (default)>select * from emp where ename rlike '[A]';
2、分组
2.1 Group By语句
Group 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。
-- 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;
--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;
注意：分组以后，在select后面只能跟分组字段（组标识）和聚合函数（组函数）
2.2 Having 语句
having与where不同点
（1）where后面不能写分组聚合函数，而having后面可以使用分组聚合函数。
（2）having只用于group by分组统计语句。
-- 求每个部门的平均工资。
hive (default)>
select deptno, avg(sal) from emp
group by deptno;
--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;
3、join语句
3.1 等值join
Hive支持通常的sql join语句，但是只支持等值连接，不支持非等值连接。
-- 根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称。
hive (default)> select e.empno, e.ename, d.dname
from emp e
join dept d
on e.deptno = d.deptno;
3.2 表的别名
好处
（1）使用别名可以简化查询。
（2）区分字段的来源。
-- 合并员工表和部门表。
hive (default)> select e.*,d.*
from emp e
join dept d
on e.deptno = d.deptno;
3.3 内连接
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;
3.4 右外连接
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;
3.5 左外连接
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;
3.6 满外连接
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;
3.7 多表连接
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。
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;
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。
3.8 笛卡尔集
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
hive (default)> select empno, dname
from emp, dept;
3.9 联合（union & union all）
union&union all上下拼接
union和union all都是上下拼接sql的结果，这点是和join有区别的，join是左右关联，union和union all是上下拼接。union去重，union all不去重。
union和union all在上下拼接sql结果时有两个要求：
（1）两个sql的结果，列的个数必须相同
（2）两个sql的结果，上下所对应列的类型必须一致
-- 将员工表30部门的员工信息和40部门的员工信息，利用union进行拼接显示。
hive (default)> select * from emp
where deptno=30
union
select *
from emp
where deptno=40;
4、排序
Order By：全局排序，只有一个Reduce。
4.1、使用Order By子句排序
asc（ascend）：升序（默认）
desc（descend）：降序
Order By子句在select语句的结尾
-- 查询员工信息按工资升序排列
hive (default)> select * from emp
order by sal;
4.2、每个Reduce内部排序（Sort By）
Sort 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reduce产生一个排序文件。每个Reduce内部进行排序，对全局结果集来说不是排序。
-- 设置reduce个数
hive (default)> set mapreduce.job.reduces=3;
-- 查看设置reduce个数
hive (default)> set mapreduce.job.reduces;
-- 根据部门编号降序查看员工信息
hive (default)> select * from emp
sort by deptno desc;
4.3、 分区（Distribute By）
Distribute 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MapReduce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。
-- 先按照部门编号分区，再按照员工编号薪资排序
hive (default)> set mapreduce.job.reduces=3;
hive (default)> insert overwrite local directory
'/opt/module/hive/datas/distribute-result'
select *
from emp
distribute by deptno
sort by sal desc;
注意
-
distribute by的分区规则是根据分区字段的hash码与reduce的个数进行相除后，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。
-
演示完以后mapreduce.job.reduces的值要设置回-1，否则下面分区or分桶表load跑MapReduce的时候会报错。
4.4、分区排序（Cluster By）
当distribute by和sort 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。
（1）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;
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。
5、分区
5.1 分区表
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中的分区就是把一张大表的数据按照业务需要分散的存储到多个目录，每个目录就称为该表的一个分区。在查询时通过where子句中的表达式选择查询所需要的分区，这样的查询效率会提高很多。
1）准备数据
vi dept_20221227.log
30 行政部 1600
40 人事部 2000
vi dept_20221228.log
10 行政部 1700
20 财务部 1800
vi dept_20221229.log
50 财务部 1900
60 人事部 2100
2)新建分区表
hive (default)> create table dept_partition
(
deptno int, --部门编号
dname string, --部门名称
loc string --部门位置
)
partitioned by (day string)
row format delimited fields terminated by '\t';
3）转载数据
load data local inpath '/usr/local/hive-3.1.2/datas/departion_data/dept_20221229.log' into table dept_partition partition(day='20221229');
load data local inpath '/usr/local/hive-3.1.2/datas/departion_data/dept_20221228.log' into table dept_partition partition(day='20221228');
load data local inpath '/usr/local/hive-3.1.2/datas/departion_data/dept_20221227.log' into table dept_partition partition(day='20221227');
4)读数据
-- 查询分区表数据时，可以将分区字段看作表的伪列，可像使用其他字段一样使用分区字段。
select deptno, dname, loc ,day
from dept_partition
where day = '20221227';
-- 查看所有的数据
select * from dept_partition;
5.2分区表基本操作
1）查看所有分区信息
hive> show partitions dept_partition;
2）增加分区
（1）创建单个分区
hive (default)> alter table dept_partition
add partition(day='20221213');
（2）同时创建多个分区（分区之间不能有逗号）
hive (default)> alter table dept_partition
add partition(day='20220404') partition(day='20220405');
3）删除分区
（1）删除单个分区
hive (default)> alter table dept_partition
drop partition (day='20220403');
（2）同时删除多个分区（分区之间必须有逗号）
hive (default)> alter table dept_partition
drop partition (day='20220404'), partition(day='20220405');
5.3 二级分区
-- 二级分区表建表语句
hive (default)>create table dept_partition2(
deptno int, -- 部门编号
dname string, -- 部门名称
loc string -- 部门位置
)
partitioned by (day string, hour string)
row format delimited fields terminated by '\t';
5.4 HDFS和Hive数据转换
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法
（1）方法一：上传数据后修复(msck repair)
上传数据
# 将hadoop的数据上传到指定分区的位置，但是此时的hive并不是识别出来Hadoop上传的数据
hadoop fs -put /usr/local/hive-3.1.2/datas/dept_20221121.log /hive/warehouse/dept_partition
hive查看数据
hive(default)>show partitions dept_partition;
-- 并不能查询到dept_20221121.log
执行修复命令
hive>msck repair table dept_partition;
（2）方法二：上传数据后添加分区
上传数据
# 将hadoop的数据上传到指定分区的位置，但是此时的hive并不是识别出来Hadoop上传的数据
hadoop fs -put /usr/local/hive-3.1.2/datas/dept_20221121.log /hive/warehouse/dept_partition
执行添加分区
hive(default)>alter table dept_partition add partition(day='20221121');
查看数据
hive(default)>show partitions dept_partition;
(3)方法三：创建文件夹后load数据到分区
创建目录
hive (default)>dfs -mkdir -p /hive/warehouse/dept_partition/day=20221121
上传数据
-- 将hadoop的数据上传到指定分区的位置，但是此时的hive并不是识别出来Hadoop上传的数据
hive(default)>load data local inpath '/usr/local/hive-3.1.2/datas/dept_20221121.log ' into table dept_partition partition(day='20221121')
查询数据
hive(default)>show partitions dept_partition;
-- show partitions 表名；
5.5 动态分区
动态分区是指向分区表insert数据时，被写往的分区不由用户指定，而是由每行数据的最后一个字段的值来动态的决定。使用动态分区，可只用一个insert语句将数据写入多个分区。
1）动态分区相关参数
（1）动态分区功能总开关（默认true，开启）
set hive.exec.dynamic.partition=true;
（2）严格模式和非严格模式
动态分区的模式，默认strict（严格模式），要求必须指定至少一个分区为静态分区，nonstrict（非严格模式）允许所有的分区字段都使用动态分区。
set hive.exec.dynamic.partition.mode=nonstrict;
（3）一条insert语句可同时创建的最大的分区个数，默认为1000。
set hive.exec.max.dynamic.partitions=1000;
（4）单个Mapper或者Reducer可同时创建的最大的分区个数，默认为100。
set hive.exec.max.dynamic.partitions.pernode=100;
（5）一条insert语句可以创建的最大的文件个数，默认100000。
hive.exec.max.created.files=100000;
（6）当查询结果为空时且进行动态分区时，是否抛出异常，默认false。
hive.error.on.empty.partition=false;
需求：将dept表中的数据按照地区（loc字段），插入到目标表dept_partition_dynamic的相应分区中。
（1）创建目标分区表
hive (default)> create table dept_partition_dynamic(
id int,
name string
)
partitioned by (loc int)
row format delimited fields terminated by '\t';
（2）设置动态分区
set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> insert into table dept_partition_dynamic
partition(loc)
select deptno, dname, loc
from dept;
（3）查看目标分区表的分区情况
hive (default)> show partitions dept_partition_dynamic;
6、分桶
分桶表
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，分区针对的是数据的存储路径，分桶针对的是数据文件。
分桶表的基本原理是，首先为每行数据计算一个指定字段的数据的hash值，然后模以一个指定的分桶数，最后将取模运算结果相同的行，写入同一个文件中，这个文件就称为一个分桶（bucket）。
1)建表语句
hive (default)> create table stu_buck(
id int,
name string
)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';
2)数据准备
vi student.txt
1001 student1
1002 student2
1003 student3
1004 student4
1005 student5
1006 student6
1007 student7
1008 student8
1009 student9
1010 student10
1011 student11
1012 student12
1013 student13
1014 student14
1015 student15
1016 student16
3）新建一张表
hive (default)> create table table_1(
id int,
name string
)
row format delimited fields terminated by '\t';
4)保存数据
hive (default)> load data local inpath '/opt/module/hive/datas/student.txt'
into table table_1;
5)数据导入到分桶表中
使用insert方式进行导入数据
hive(default)>insert table into stu_buck select * from table_1;
6）查询数据
hive(default)>select * from stu_buck;
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放在哪个桶中。
分桶表操作需要注意的事项：
（1）reduce的个数设置未-1，让job自行决定需要用多少个reudce或者将reduce的个数设置为大于或者等于分桶表的桶数。
（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
标签：default,分区,hive,查询,dept,Hive,--,select From： https://www.cnblogs.com/zt123456/p/17013781.html