1-Hive学习笔记

Hive入门

什么是Hive

  • Hive：由Facebook开源用于解决海量结构化日志的数据统计
  • Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能；本质是：将HQL转化成MapReduce程序
    • Hive处理的数据存储在HDFS
    • Hive分析数据底层的实现是MapReduce
    • 执行程序运行在Yarn上

Hive的优缺点

  • 优点
    • 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）
    • 避免了去写MapReduce，减少开发人员的学习成本
    • 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
    • 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
    • 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
    • Hive的HQL表达能力有限
      • 迭代式算法无法表达
      • 数据挖掘方面不擅长
    • Hive的效率比较低
      • Hive自动生成的MapReduce作业，通常情况下不够智能化
      • Hive调优比较困难，粒度较粗

Hive架构原理

  • 用户接口：Client
    • CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive）
  • 元数据Metastore
    • 元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；
    • 存在MySQL
  • Hadoop
    • 使用HDFS进行存储，使用MapReduce进行计算
  • 驱动器：Driver
    • 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
    • 编译器（Physical Plan）：将AST编译生成逻辑执行计划
    • 优化器（Query Optimizer）：对逻辑执行计划进行优化
    • 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
  • 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

Hive和数据库比较

  • 其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处
  • 查询语言
    • 由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发
  • 数据存储位置
    • Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中
  • 数据更新
    • 由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据
  • 索引
    • Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询
  • 执行
    • Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎
  • 执行延迟
    • Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势
  • 可扩展性
    • 由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右
  • 数据规模
    • 由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小

Hive安装

Hive安装地址

  • Hive官网地址
    • http://hive.apache.org/
  • 文档查看地址
    • https://cwiki.apache.org/confluence/display/Hive/GettingStarted
  • 下载地址
    • http://archive.apache.org/dist/hive/
  • github地址
    • https://github.com/apache/hive

Hive安装部署

  • Hive安装及配置

    • 把apache-hive-3.1.2-bin.tar.gz上传到linux的/opt/software目录下

    • 解压到/opt/module/目录下面

      • tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /opt/module/

    • 修改apache-hive-3.1.2-bin.tar.gz的名称为hive

      • mv apache-hive-3.1.2-bin/ hive

    • 修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh

      • mv hive-env.sh.template hive-env.sh

    • 配置hive-env.sh文件

      • 配置HADOOP_HOME路径

        • export HADOOP_HOME=/opt/module/hadoop-3.1.3

      • 配置HIVE_CONF_DIR路径

        • export HIVE_CONF_DIR=/opt/module/hive/conf

  • Hadoop集群配置

    • 启动集群

      • myhadoop.sh start

    • 在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写

      • bin/hadoop fs -mkdir /tmp
 bin/hadoop fs -mkdir -p /user/hive/warehouse
 bin/hadoop fs -chmod g+w /tmp
 bin/hadoop fs -chmod g+w /user/hive/warehouse

Mysql安装

  • 使用mysql数据库

    • use mysql;

  • 修改user表，把Host表内容修改为%

    • update user set host = '%' where user = 'root';

  • 刷新

    • flush privileges;

Hive元数据配置到MySQL

  • 驱动拷贝

    • 在/opt/software/mysql-libs目录下解压mysql-connector-java-5.1.27.tar.gz驱动包

      • tar -zxvf mysql-connector-java-5.1.27.tar.gz

    • 拷贝/opt/software/mysql-libs/mysql-connector-java-5.1.27目录下的mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/

      • cp mysql-connector-java-5.1.27-bin.jar
 /opt/module/hive/lib/

  • 配置Metastore到MySQL

    • 在/opt/module/hive/conf目录下创建一个hive-site.xml

      • touch hive-site.xml
vim hive-site.xml

    • 根据官方文档配置参数，拷贝数据到hive-site.xml文件中

      • <?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

	
	  javax.jdo.option.ConnectionURL
	  jdbc:mysql://hadoop102:3306/metastore?createDatabaseIfNotExist=true
	  JDBC connect string for a JDBC metastore
	

	
	  javax.jdo.option.ConnectionDriverName
	  com.mysql.jdbc.Driver
	  Driver class name for a JDBC metastore
	

	
	  javax.jdo.option.ConnectionUserName
	  root
	  username to use against metastore database
	

	
	  javax.jdo.option.ConnectionPassword
	  密码
	  password to use against metastore database

    • hadoop和hive的两个guava.jar版本不一致,两个位置分别位于下面两个目录：- /usr/local/hive/lib/；- /usr/local/hadoop/share/hadoop/common/lib/。要用高版本替换低版本

    • 在bin目录下

      • ./schematool -dbType mysql -initSchema

Hive基本操作

  • 启动hive

    • bin/hive

  • 查看数据库

    • show databases;

  • 打开默认数据库

    • use default;

  • 显示default数据库中的表

    • show tables;

  • 创建一张表

    • create table student(id int, name string);

  • 查看表的结构

    • desc student;

  • 向表中插入数据

    • insert into student values(1000,"ss");

  • 查询表中数据

    • select * from student;

  • 退出hive

    • quit;

将本地文件导入Hive

  • 在/opt/module/目录下创建datas

    • mkdir datas

  • 在/opt/module/datas/目录下创建student.txt文件并添加数据

    • touch student.txt
vi student.txt

1001	zhangshan
1002	lishi
1003	zhaoliu

  • Hive实际操作

    • 启动hive

      • bin/hive

    • 使用default数据库

      • use default;

    • 创建student表, 并声明文件分隔符’\t’

      • create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED
 BY '\t';

    • 加载/opt/module/datas/student.txt 文件到student数据库表中。

      • load data local inpath '/opt/module/datas/student.txt' into table student;

HiveJDBC访问

  • 修改hadoop 配置文件 etc/hadoop/core-site.xml,加入如下配置项

    • 

	
	hadoop.proxyuser.lotuslaw.groups
	*


	 		hadoop.proxyuser.lotuslaw.hosts
	*

  • 启动hiveserver2服务

    • bin/hiveserver2

  • 启动beeline

    • bin/beeline

  • 连接hiveserver2

    • beeline> !connect jdbc:hive2://hadoop102:10000（回车）
Connecting to jdbc:hive2://hadoop102:10000
Enter username for jdbc:hive2://hadoop102:10000: lotuslaw（回车）
Enter password for jdbc:hive2://hadoop102:10000: （直接回车）
Connected to: Apache Hive (version 1.2.1)
Driver: Hive JDBC (version 1.2.1)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://hadoop102:10000> show databases;

Hive常用交互命令

bin/hive -help

usage: hive
 -d,--define           Variable subsitution to apply to hive
                                  commands. e.g. -d A=B or --define A=B
    --database      Specify the database to use
 -e          SQL from command line
 -f                     SQL from files
 -H,--help                        Print help information
    --hiveconf    Use value for given property
    --hivevar          Variable subsitution to apply to hive
                                  commands. e.g. --hivevar A=B
 -i                     Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the console)

  • -e”不进入hive的交互窗口执行sql语句

    • bin/hive -e "select id from student;"

  • “-f”执行脚本中sql语句

    • bin/hive -f /opt/module/datas/hivef.sql  > /opt/module/datas/hive_result.txt

Hive其他命令操作

  • 退出hive窗口

    • exit;
quit;

  • 在hive cli命令窗口中如何查看hdfs文件系统

    • >dfs -ls /;

  • 在hive cli命令窗口中如何查看本地文件系统

    • ! ls /opt/module/datas;

  • 查看在hive中输入的所有历史命令

    • 进入到当前用户的根目录/root或/home/lotuslaw
    • 查看. hivehistory文件

Hive常见属性配置

  • Hive数据仓库位置配置

    • Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下

    • 在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹

    • 修改default数据仓库原始位置（将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中）

      • 
	hive.metastore.warehouse.dir
	/user/hive/warehouse
	location of default database for the warehouse

    • 配置同组用户有执行权限

      • hdfs dfs -chmod g+w /user/hive/warehouse

  • 查询后信息显示配置

    • 在hive-site.xml文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置

      • 
	hive.cli.print.header
	true



	hive.cli.print.current.db
	true

  • Hive运行日志信息配置

    • Hive的log默认存放在/tmp/lotuslaw/hive.log目录下（当前用户名下）

    • 修改hive的log存放日志到/opt/module/hive/logs

      • 修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为

        hive-log4j.properties

        • mv hive-log4j.properties.template hive-log4j.properties

      • 在hive-log4j.properties文件中修改log存放位置

        • hive.log.dir=/opt/module/hive/logs

  • 参数配置方式

    • 查看当前所有的配置信息

      • set;xxxxxxxxxx set;sql

    • 参数的配置三种方式

      • 配置文件方式

        • 默认配置文件：hive-default.xml
        • 用户自定义配置文件：hive-site.xml
        • 注意：用户自定义配置会覆盖默认配置。另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效

      • 命令行参数方式

        • 启动Hive时，可以在命令行添加-hiveconf param=value来设定参数

          • bin/hive -hiveconf mapred.reduce.tasks=10;

          • 仅对本次hive启动有效

        • 查看参数设置

          • set mapred.reduce.tasks;

      • 参数声明方式

        • 可以在HQL中使用SET关键字设定参数

          • set mapred.reduce.tasks=100;

    • 上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

Hive数据类型

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
    • 对于Hive的String类型相当于数据库的varchar类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储2GB的字符数

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()
    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()
    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()
    • Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似，而STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套

  • 案例

    • 假设某表有如下一行，我们用JSON格式来表示其数据结构。在Hive下访问的格式为

      • {
  "name": "songsong",
  "friends": ["bingbing" , "lili"] ,       //列表Array, 
  "children": {                      //键值Map,
      "xiao song": 18 ,
      "xiaoxiao song": 19
  }
  "address": {                      //结构Struct,
      "street": "hui long guan" ,
      "city": "beijing" 
  }
}

    • 基于上述数据结构，我们在Hive里创建对应的表，并导入数据，创建本地测试文件test.txt

      • songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

    • Hive上创建测试表test

      • create table test(
	name string,
	friends array,
	children map,
	address struct
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

      • row format delimited fields terminated by ',' -- 列分隔符

      • collection items terminated by '_' --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)

      • map keys terminated by ':' -- MAP中的key与value的分隔符

      • lines terminated by '\n'; -- 行分隔符

    • 导入文本数据到测试表

      • load data local inpath ‘/opt/module/datas/test.txt’into table test

    • 访问三种集合列里的数据，以下分别是ARRAY，MAP，STRUCT的访问方式

      • select friends[1],children['xiao song'],address.city from test
where name="songsong";

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。
  • 隐式类型转换规则如下
    • 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
    • 所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE
    • TINYINT、SMALLINT、INT都可以转换为FLOAT
    • BOOLEAN类型不可以转换为任何其它的类型
  • 可以使用CAST操作显示进行数据类型转换
    • 例如CAST('1' AS INT)将把字符串'1' 转换成整数1；如果强制类型转换失败，如执行CAST('X' AS INT)，表达式返回空值 NULL

DDL数据定义

创建数据库

  • 创建一个数据库，数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db

    • create database db_hive;

  • 避免要创建的数据库已经存在错误，增加if not exists判断

    • create database if not exists db_hive;

  • 创建一个数据库，指定数据库在HDFS上存放的位置

    • create database db_hive2 location '/db_hive2.db';

查询数据库

  • 显示数据库

    • show databases;

  • 过滤显示查询的数据库

    • show databases like 'db_hive*';

  • 查看数据库详情

    • 显示数据库信息

      • desc database db_hive;

    • 显示数据库详细信息，extended

      • desc database extended db_hive;

  • 切换当前数据库

    • use db_hive;

修改数据库

  • 用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的，包括数据库名和数据库所在的目录位置

    • alter database db_hive set dbproperties('createtime'='20170830');

删除数据库

  • 删除空数据库

    • drop database db_hive2;

  • 如果删除的数据库不存在，最好采用 if exists判断数据库是否存在

    • drop database if exists db_hive2;

  • 如果数据库不为空，可以采用cascade命令，强制删除

    • drop database db_hive cascade;

创建表

  • 建表语法

    • 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]

  • 字段解释说明

    • 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
    • EXTERNAL关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。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
    • COMMENT：为表和列添加注释
    • PARTITIONED BY创建分区表
    • CLUSTERED BY创建分桶表
    • SORTED BY不常用
    • 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，目的是用于序列化和反序列化
    • 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
    • LOCATION ：指定表在HDFS上的存储位置
    • LIKE允许用户复制现有的表结构，但是不复制数据

  • 管理表

    • 理论

      • 默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive会（或多或少地）控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如，/user/hive/warehouse)所定义的目录的子目录下。 当我们删除一个管理表时，Hive也会删除这个表中数据。管理表不适合和其他工具共享数据
    • desc formatted student;

-- Table Type:             MANAGED_TABLE

  • 外部表

    • 理论

      • 因为表是外部表，所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉

    • 管理表和外部表的使用场景

      • 每天将收集到的网站日志定期流入HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过SELECT+INSERT进入内部表。

    • 案例

      • 创建部门表

        • create external table if not exists default.dept(
	deptno int,
	dname string,
	loc int
)
row format delimited fields terminated by '\t';

      • 创建员工表

        • create external table if not exists default.emp(
	empno int,
	ename string,
    job string,
	mgr int,
	hiredate string, 
	sal double, 
	comm double,
	deptno int)
row format delimited fields terminated by '\t';

      • 向外部表中导入数据

        • load data local inpath '/opt/module/datas/dept.txt' into table default.dept;
load data local inpath '/opt/module/datas/emp.txt' into table default.emp;

      • 查看表格式化数据

        • desc formatted dept;
-- Table Type:             EXTERNAL_TABLE

  • 管理表与外部表的互相转换

    • 查询表的类型

      • alter table student2 set tblproperties('EXTERNAL'='TRUE');
alter table student2 set tblproperties('EXTERNAL'='FALSE');

      • ('EXTERNAL'='TRUE')和('EXTERNAL'='FALSE')为固定写法，区分大小写！

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中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多

  • 分区表基本操作

    • 创建分区表语法

      • create table dept_partition(
	deptno int, dname string, loc string
)
partitioned by (month string)
row format delimited fields terminated by '\t';

    • 加载数据到分区表中

      • load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201709');

    • 查询分区表中数据

      • select * from dept_partition where month='201709';
select * from dept_partition where month='201709'
union
select * from dept_partition where month='201708'
union
select * from dept_partition where month='201707';

    • 增加分区

      • alter table dept_partition add partition(month='201706') ;
alter table dept_partition add partition(month='201705') partition(month='201704');

    • 删除分区

      • alter table dept_partition drop partition (month='201704');
alter table dept_partition drop partition (month='201705'), partition (month='201706');

    • 查看分区表有多少分区

      • show partitions dept_partition;

    • 查看分区表结构

      • desc formatted dept_partition;

-- # Partition Information          
-- # col_name              data_type               comment             
-- month                   string

  • 分区表注意事项

    • 创建二级分区表

      • create table dept_partition2(
	deptno int, dname string, loc string
)
partitioned by (month string, day string)
row format delimited fields terminated by '\t';

    • 正常的加载数据

      • 加载数据到二级分区表中

        • load data local inpath '/opt/module/datas/dept.txt' into table
 default.dept_partition2 partition(month='201709', day='13');

      • 查询分区数据

        • select * from dept_partition2 where month='201709' and day='13';

    • 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式

      • 方式一：上传数据后修复

        • dfs -mkdir -p
/user/hive/warehouse/db_hive.db/dept_partition2/month=201709/day=12;

dfs -put /opt/module/datas/dept.txt  /user/hive/warehouse/dept_partition2/month=201709/day=12;

msck repair table dept_partition2;

      • 方式二：上传数据后添加分区

        • dfs -mkdir -p
/user/hive/warehouse/dept_partition2/month=201709/day=11;

dfs -put /opt/module/datas/dept.txt  /user/hive/warehouse/dept_partition2/month=201709/day=11;

alter table dept_partition2 add partition(month='201709',
 day='11');

      • 方式三：创建文件夹后load数据到分区

        • dfs -mkdir -p
/user/hive/warehouse/dept_partition2/month=201709/day=10;
 
load data local inpath '/opt/module/datas/dept.txt' into table
 dept_partition2 partition(month='201709',day='10');

修改表

  • 重命名表

    • alter table dept_partition2 rename to dept_partition3;

  • 增加、修改和删除表分区

  • 增加/修改/替换列信息

    • 添加列

      • alter table dept_partition add columns(deptdesc string);

    • 更新列

      • alter table dept_partition change column deptdesc desc int;

    • 替换列

      • alter table dept_partition replace columns(deptno string, dname
 string, loc string);

删除表

  • drop table dept_partition;

DML数据操作

数据导入

  • 向表中装载数据（Load）

    • load data [local] inpath '/opt/module/datas/student.txt' overwrite | into table student [partition (partcol1=val1,…)];
      • load data:表示加载数据
      • local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
      • inpath:表示加载数据的路径
      • overwrite:表示覆盖表中已有数据，否则表示追加
      • into table:表示加载到哪张表
      • student:表示具体的表
      • partition:表示上传到指定分区

    • 创建一张表

      • create table student(id string, name string) row format delimited fields terminated by '\t';

    • 加载本地文件到hive

      • load data local inpath '/opt/module/datas/student.txt' into table default.student;

    • 加载数据覆盖表中已有的数据

      • load data inpath '/user/atguigu/hive/student.txt' overwrite into table default.student;

  • 通过查询语句向表中插入数据（Insert）

    • 创建一张分区表

      •  create table student(id int, name string) partitioned by (month string) row format delimited fields terminated by '\t';

    • 基本插入数据

      • insert into table  student partition(month='201709') values(1,'wangwu');

    • 多插入模式（根据多张表查询结果）

      • from student
insert overwrite table student partition(month='201707')
select id, name where month='201709'
insert overwrite table student partition(month='201706')
select id, name where month='201709';

  • 查询语句中创建表并加载数据（As Select）

    • create table if not exists student3 as select id, name from student;

  • 创建表时通过Location指定加载数据路径

    • 创建表，并指定在hdfs上的位置

      • create table if not exists student5(
id int, name string
)
row format delimited fields terminated by '\t'
location '/user/hive/warehouse/student5';

    • 上传数据到hdfs上

      •  dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5;

  • Import数据到指定Hive表中

    • 先用export导出后，再将数据导入

    • import table student2 partition(month='201709') from
 '/user/hive/warehouse/export/student';

数据导出

  • Insert导出

    • 将查询的结果导出到本地

      • insert overwrite local directory '/opt/module/datas/export/student'
select * from student;

    • 将查询的结果格式化导出到本地

      • insert overwrite local directory '/opt/module/datas/export/student1'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'             
select * from student;

    • 将查询的结果导出到HDFS上(没有local)

      • insert overwrite directory '/user/atguigu/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' 
select * from student;

  • Hadoop命令导出到本地

    • dfs -get /user/hive/warehouse/student/month=201709/000000_0
/opt/module/datas/export/student3.txt;

  • Hive Shell 命令导出

    • bin/hive -e 'select * from default.student;' >
 /opt/module/datas/export/student4.txt;

  • Export导出到HDFS上

    • export table default.student to '/user/hive/warehouse/export/student';

  • Sqoop导出

清除表中数据（Truncate）

  • 注意：Truncate只能删除管理表，不能删除外部表中数据

    • truncate table student;

查询

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

  • 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按位取异或
      ~A A按位取反

  • 常用函数

    • count、max、min、sum、avg

  • 比较运算符（Between/In/ Is Null）

    • 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，则返回TRUE，其他的和等号（=）操作符的结果一致，如果任一为NULL则结果为NULL
      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 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，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是一个正则表达式，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。

  • Like和RLike

    • 使用LIKE运算选择类似的值

    • 选择条件可以包含字符或数字:

      • % 代表零个或多个字符(任意个字符)
      • _ 代表一个字符

    • RLIKE子句是Hive中这个功能的一个扩展，其可以通过Java的正则表达式这个更强大的语言来指定匹配条件

      • -- 查找薪水中含有2的员工信息
select * from emp where sal RLIKE '[2]';

  • 逻辑运算符（And/Or/Not）

    • 操作符 含义
      AND 逻辑并
      OR 逻辑或
      NOT 逻辑否

分组

  • 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
  • Having语句
    • having只用于group by分组统计语句
    • where后面不能写分组函数，而having后面可以使用分组函数

Join语句

  • 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

  • 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

  • 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

  • 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

  • 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

  • 大多数情况下，Hive会对每对JOIN连接对象启动一个MapReduce任务

  • 笛卡尔积

    • 笛卡尔集会在下面条件下产生

      • 省略连接条件
      • 连接条件无效
      • 所有表中的所有行互相连接
    • select empno, dname from emp, dept;

排序

  • 全局排序（Order By）

    • Order By：全局排序，一个Reducer

  • 每个MapReduce内部排序（Sort By）

    • Sort By：每个Reducer内部进行排序，对全局结果集来说不是排序

    • 设置reduce个数

      • set mapreduce.job.reduces=3;

    • 将查询结果导入到文件中（按照部门编号降序排序）

      • insert overwrite local directory '/opt/module/datas/sortby-result'
 select * from emp sort by deptno desc;

  • 分区排序（Distribute By）

    • Distribute By：类似MR中partition，进行分区，结合sort by使用

    • Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前

    • 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

    • set mapreduce.job.reduces=3;
insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

  • Cluster By

    • 当distribute by和sorts 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

    • 以下两种写法等价

      • select * from emp cluster by deptno;
select * from emp distribute by deptno sort by deptno;

分桶及抽样查询

  • 分桶表数据存储

    • 分区针对的是数据的存储路径；分桶针对的是数据文件

    • 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，特别是之前所提到过的要确定合适的划分大小这个疑虑。分桶是将数据集分解成更容易管理的若干部分的另一个技术

    • 先创建分桶表，通过直接导入数据文件的方式

      • set mapreduce.job.reduces=-1;

create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

load data local inpath '/opt/module/datas/student.txt' into table
stu_buck;

  • 分桶抽样查询

    • 对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求

    • select * from stu_buck tablesample(bucket 1 out of 4 on id);

    • 注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y)

      • y必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例。例如，table总共分了4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据
      • x表示从哪个bucket开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，抽取第1(x)个和第3(x+y)个bucket的数据
      • 注意：x的值必须小于等于y的值

其他常用查询函数

  • 空字段赋值

    • NVL：给值为NULL的数据赋值，它的格式是NVL( string1, replace_with)。它的功能是如果string1为NULL，则NVL函数返回replace_with的值，否则返回string1的值，如果两个参数都为NULL ，则返回NULL

    • select nvl(comm,-1) from emp;
select nvl(comm,mgr) from emp;

  • 时间类

    • date_format:格式化时间

      • select date_format('2019-06-29','yyyy-MM-dd');

    • date_add:时间跟天数相加

      •  select date_add('2019-06-29',5);

    • date_sub:时间跟天数相减

      • select date_sub('2019-06-29',5);

    • datediff:两个时间相减

      • select datediff('2019-06-29','2019-06-24');

  • CASE WHEN

    • select 
  dept_id,
  sum(case sex when '男' then 1 else 0 end) male_count,
  sum(case sex when '女' then 1 else 0 end) female_count
from 
  emp_sex
group by
  dept_id;

select 
  dept_id,
  sum(if(sex='男', 1, 0)) male_count,
  sum(if(sex='女', 1, 0)) female_count
from 
  emp_sex
group by
  dept_id;

  • 行转列

    • CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串

    • CONCAT_WS(separator, str1, str2,...)：它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间

    • COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生array类型字段

      • select
    t1.base,
    concat_ws('|', collect_set(t1.name)) name
from
    (select
        name,
        concat(constellation, ",", blood_type) base
    from
        person_info) t1
group by
    t1.base;

  • 列转行

    • EXPLODE(col)：将hive一列中复杂的array或者map结构拆分成多行

    • LATERAL VIEW

      • 用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
      • 解释：用于和split, explode等UDTF一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合
    • create table movie_info(
    movie string, 
    category array) 
row format delimited fields terminated by "\t"
collection items terminated by ",";

load data local inpath "/opt/module/datas/movie.txt" into table movie_info;

select
    movie,
    category_name
from 
    movie_info lateral view explode(category) table_tmp as category_name;

  • 窗口函数

    • OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化

    • CURRENT ROW：当前行

    • n PRECEDING：往前n行数据

    • n FOLLOWING：往后n行数据

    • UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING表示到后面的终点

    • LAG(col,n)：往前第n行数据

    • LEAD(col,n)：往后第n行数据

    • NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，NTILE返回此行所属的组的编号。注意：n必须为int类型

    • create table business(
name string, 
orderdate string,
cost int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

load data local inpath "/opt/module/datas/business.txt" into table business;

-- 查询在2017年4月份购买过的顾客及总人数
select name,count(*) over () 
from business 
where substring(orderdate,1,7) = '2017-04' 
group by name;

-- 查询顾客的购买明细及月购买总额
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;

-- 上述的场景,要将cost按照日期进行累加
select name,orderdate,cost, 
sum(cost) over() as sample1,--所有行相加 
sum(cost) over(partition by name) as sample2,--按name分组，组内数据相加 
sum(cost) over(partition by name order by orderdate) as sample3,--按name分组，组内数据累加 
sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,--和sample3一样,由起点到当前行的聚合 
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合 
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行 
sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行 
from business;

-- 查看顾客上次的购买时间
select name,orderdate,cost, 
	lag(orderdate,1,'1970-01-01') over(partition by name order by orderdate ) as time1, lag(orderdate,2) over (partition by name order by orderdate) as time2 
from business;

-- 查询前20%时间的订单信息
select * from (
    select name,orderdate,cost, ntile(5) over(order by orderdate) sorted
    from business
) t
where sorted = 1;

  • Rank

    • RANK() 排序相同时会重复，总数不会变
    • DENSE_RANK() 排序相同时会重复，总数会减少
    • ROW_NUMBER() 会根据顺序计算

函数

系统内置函数

  • 查看系统自带的函数

    • show functions;

  • 显示自带的函数的用法

    • desc function upper;

  • 详细显示自带的函数的用法

    • desc function extended upper;

自定义函数

  • Hive 自带了一些函数，比如：max/min等，但是数量有限，自己可以通过自定义UDF来方便的扩展

  • 当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）

  • 根据用户自定义函数类别分为以下三种

    • UDF（User-Defined-Function）
      • 一进一出
    • UDAF（User-Defined Aggregation Function）
      • 聚集函数，多进一出
    • UDTF（User-Defined Table-Generating Functions）
      • 一进多出

  • 官方文档地址

    • https://cwiki.apache.org/confluence/display/Hive/HivePlugins

  • 编程步骤：

    • 继承org.apache.hadoop.hive.ql.UDF

    • 需要实现evaluate函数；evaluate函数支持重载；

    • 在hive的命令行窗口创建函数

      • 添加jar

        • add jar linux_jar_path

      • 创建function

        • create [temporary] function [dbname.]function_name AS class_name;

    • 在hive的命令行窗口删除函数

      • Drop [temporary] function [if exists] [dbname.]function_name;

    • 注意事项

      • UDF必须要有返回类型，可以返回null，但是返回类型不能为void；

自定义UDF函数

  • 创建一个Maven工程Hive

  • 导入依赖

    • 
	
	
		org.apache.hive
		hive-exec
		1.2.1

  • 创建一个类

    • package com.lotuslaw.udf;

import org.apache.hadoop.hive.ql.exec.UDF;

/**
 * @author: lotuslaw
 * @version: V1.0
 * @package: com.lotuslaw.udf
 * @create: 2021-11-29 12:54
 * @description:
 */
public class Lower extends UDF {
    public String evaluate (final String s) {
        if (s == null) {
            return null;
        }else {
            return s.toLowerCase();
        }
    }
}

  • 打成jar包上传到服务器/opt/module/jars/udf.jar

  • 将jar包添加到hive的classpath

    • add jar /opt/module/datas/udf.jar;

  • 创建临时函数与开发好的java class关联

    • create temporary function mylower as "com.atguigu.hive.Lower";

  • 在hql中使用自定义的函数

    • select ename, mylower(ename) lowername from emp;

压缩和存储

企业级调优

Fetch抓取

  • Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算。例如：SELECT * FROM employees;在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台

  • 在hive-default.xml.template文件中hive.fetch.task.conversion默认是more，老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走mapreduce

    • 
    hive.fetch.task.conversion
    more
    
      Expects one of [none, minimal, more].
      Some select queries can be converted to single FETCH task minimizing latency.
      Currently the query should be single sourced not having any subquery and should not have
      any aggregations or distincts (which incurs RS), lateral views and joins.
      0. none : disable hive.fetch.task.conversion
      1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
      2. more  : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)

本地模式

  • 大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短

  • 用户可以通过设置hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化

    • set hive.exec.mode.local.auto=true;  -- 开启本地mr
-- 设置local mr的最大输入数据量，当输入数据量小于这个值时采用local  mr的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
-- 设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，默认为4
set hive.exec.mode.local.auto.input.files.max=10;

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

select * from emp cluster by deptno;

表的优化

  • 小表、大表Join

    • 将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce
    • mapjoin功能（默认是打开的）
    • 实际测试发现：新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别

  • 大表Join大表

    • 空KEY过滤

      • 有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。例如key对应的字段为空

      • insert overwrite table jointable 
select n.* from (select * from nullidtable where id is not null ) n  left join ori o on n.id = o.id;

    • 空key转换

      • 有时虽然某个key为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join的结果中，此时我们可以表a中key为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的reducer上

      • insert overwrite table jointable
select n.* from nullidtable n full join ori o on 
case when n.id is null then concat('hive', rand()) else n.id end = o.id;

  • MapJoin

    • 如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join，避免reducer处理

    • 设置自动选择Mapjoin

      • set hive.auto.convert.join = true; -- 默认为true

    • 大表小表的阈值设置（默认25M以下认为是小表）

      • set hive.mapjoin.smalltable.filesize=25000000;

  • Group By

    • 默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时就倾斜了

    • 并不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果

    • 开启Map端聚合参数设置

      • -- 是否在Map端进行聚合，默认为True
hive.map.aggr = true

-- 在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000

-- 有数据倾斜的时候进行负载均衡（默认是false）
hive.groupby.skewindata = true

      • 当选项设定为 true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作

  • Count(Distinct) 去重统计

    • 数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换

    • select count(id) from (select id from bigtable group by id) a;

  • 笛卡尔积

    • 尽量避免笛卡尔积，join的时候不加on条件，或者无效的on条件，Hive只能使用1个reducer来完成笛卡尔积

  • 行列过滤

    • 列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *
    • 行处理(谓词下推)：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤

  • 动态分区调整

    • 关系型数据库中，对分区表Insert数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，使用Hive的动态分区，需要进行相应的配置

    • 开启动态分区参数设置

      • 开启动态分区功能（默认true，开启）

        • set hive.exec.dynamic.partition=true;

      • 设置为非严格模式（动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。）

        • set hive.exec.dynamic.partition.mode=nonstrict;

      • 在所有执行MR的节点上，最大一共可以创建多少个动态分区

        • set hive.exec.max.dynamic.partitions=1000;

      • 在每个执行MR的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错

        • set hive.exec.max.dynamic.partitions.pernode=100

      • 整个MR Job中，最大可以创建多少个HDFS文件

        • set hive.exec.max.created.files=100000

      • 当有空分区生成时，是否抛出异常。一般不需要设置

    • create table ori_partitioned_target(id bigint, time bigint, uid string,
 keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by '\t';
 
insert overwrite table ori_partitioned_target partition (p_time) 
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;

数据倾斜

  • 合理设置Map数

    • 通常情况下，作业会通过input的目录产生一个或者多个map任务
      • 主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小
    • 是不是map数越多越好
      • 答案是否定的。如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的
    • 是不是保证每个map处理接近128m的文件块，就高枕无忧了
      • 答案也是不一定。比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时

  • 小文件进行合并

    • 默认

      • set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

  • 复杂文件增加Map数

    • 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率

    • 增加map的方法为：根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式，调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数

      • -- 设置最大切片值为100个字节
set mapreduce.input.fileinputformat.split.maxsize=100;

  • 合理设置Reduce数

    • 调整reduce个数方法一

      • 每个Reduce处理的数据量默认是256MB

        • set hive.exec.reducers.bytes.per.reducer=256000000;

      • 每个任务最大的reduce数，默认为1009

        • set hive.exec.reducers.max=1009;

      • 计算reducer数的公式

        • N=min(参数2，总输入数据量/参数1)

    • 调整reduce个数方法二

      • 在hadoop的mapred-default.xml文件中修改

      • 设置每个job的Reduce个数

        • set mapreduce.job.reduces = 15;

    • reduce个数并不是越多越好

      • 过多的启动和初始化reduce也会消耗时间和资源
      • 另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题
      • 在设置reduce个数的时候也需要考虑这两个原则：处理大数据量利用合适的reduce数；使单个reduce任务处理数据量大小要合适

并行执行

  • Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下，Hive一次只会执行一个阶段。不过，某个特定的job可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个job的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么job可能就越快完成

  • 通过设置参数hive.exec.parallel值为true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果job中并行阶段增多，那么集群利用率就会增

    • set hive.exec.parallel=true; -- 打开任务并行执行
set hive.exec.parallel.thread.number=16; -- 同一个sql允许最大并行度，默认为8。

    • 当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来

严格模式

  • Hive提供了一个严格模式，可以防止用户执行那些可能意想不到的不好的影响的查询

    • 通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict，开启严格模式可以禁止3种类型的查询

    • 
    hive.mapred.mode
    strict
    
      The mode in which the Hive operations are being performed. 
      In strict mode, some risky queries are not allowed to run. They include:
        Cartesian Product.
        No partition being picked up for a query.
        Comparing bigints and strings.
        Comparing bigints and doubles.
        Orderby without limit.
      • 对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行。换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表
      • 对于使用了order by语句的查询，要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理，强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间
      • 限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句，这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是，Hive并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情况

JVM重用

推测执行

  • 在分布式集群环境下，因为程序Bug（包括Hadoop本身的bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果

  • 设置开启推测执行参数：Hadoop的mapred-site.xml文件中进行配置

    • 
  mapreduce.map.speculative
  true
  If true, then multiple instances of some map tasks 
               may be executed in parallel.



  mapreduce.reduce.speculative
  true
  If true, then multiple instances of some reduce tasks 
               may be executed in parallel.

    • 不过hive本身也提供了配置项来控制reduce-side的推测执行

      • 
    hive.mapred.reduce.tasks.speculative.execution
    true
    Whether speculative execution for reducers should be turned on.

执行计划（Explain）

  • explain select * from emp;

explain extended select * from emp;

常见错误及解决方案

  • hive默认的输入格式处理是CombineHiveInputFormat，会对小文件进行合并；可以采用HiveInputFormat就会根据分区数输出相应的文件

    • set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

  • 启动mysql服务时，报MySQL server PID file could not be found! 异常

    • 在/var/lock/subsys/mysql路径下创建hadoop102.pid，并在文件中添加内容：4396

  • 报service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异常

    • 解决方案：在/var/lib/mysql 目录下创建： -rw-rw----. 1 mysql mysql 5 12月 22 16:41 hadoop102.pid 文件，并修改权限为 777

  • JVM堆内存溢出

    • 描述：java.lang.OutOfMemoryError: Java heap space

    • 解决：在yarn-site.xml中加入如下代码

      • 
	yarn.scheduler.maximum-allocation-mb
	2048


  	yarn.scheduler.minimum-allocation-mb
  	2048


	yarn.nodemanager.vmem-pmem-ratio
	2.1


	mapred.child.java.opts
	-Xmx1024m

实操

蚂蚁森林

  • 背景

    • 背景说明：
以下表记录了用户每天的蚂蚁森林低碳生活领取的记录流水。
table_name：user_low_carbon
user_id data_dt  low_carbon
用户     日期      减少碳排放（g）

蚂蚁森林植物换购表，用于记录申领环保植物所需要减少的碳排放量
table_name:  plant_carbon
plant_id plant_name low_carbon
植物编号	植物名	换购植物所需要的碳

  • 题目

    • 1.蚂蚁森林植物申领统计
问题：假设2017年1月1日开始记录低碳数据（user_low_carbon），假设2017年10月1日之前满足申领条件的用户都申领了一颗p004-胡杨，
剩余的能量全部用来领取“p002-沙柳” 。
统计在10月1日累计申领“p002-沙柳” 排名前10的用户信息；以及他比后一名多领了几颗沙柳。
得到的统计结果如下表样式：
user_id  plant_count less_count(比后一名多领了几颗沙柳)
u_101    1000         100
u_088    900          400
u_103    500          …

2、蚂蚁森林低碳用户排名分析
问题：查询user_low_carbon表中每日流水记录，条件为：
用户在2017年，连续三天（或以上）的天数里，
每天减少碳排放（low_carbon）都超过100g的用户低碳流水。
需要查询返回满足以上条件的user_low_carbon表中的记录流水。
例如用户u_002符合条件的记录如下，因为2017/1/2~2017/1/5连续四天的碳排放量之和都大于等于100g：
seq（key） user_id data_dt  low_carbon
xxxxx10    u_002  2017/1/2  150
xxxxx11    u_002  2017/1/2  70
xxxxx12    u_002  2017/1/3  30
xxxxx13    u_002  2017/1/3  80
xxxxx14    u_002  2017/1/4  150
xxxxx14    u_002  2017/1/5  101
备注：统计方法不限于sql、procedure、python,java等

提供的数据说明：
user_low_carbon：
u_001	2017/1/1	10
u_001	2017/1/2	150
u_001	2017/1/2	110
u_001	2017/1/2	10
u_001	2017/1/4	50
u_001	2017/1/4	10
u_001	2017/1/6	45
u_001	2017/1/6	90
u_002	2017/1/1	10
u_002	2017/1/2	150
u_002	2017/1/2	70
u_002	2017/1/3	30
u_002	2017/1/3	80
u_002	2017/1/4	150
u_002	2017/1/5	101
u_002	2017/1/6	68
...

plant_carbon：
p001	梭梭树	17
p002	沙柳	19
p003	樟子树	146
p004	胡杨	215
...

  • 解决方案

    • 创建表

      • create table user_low_carbon(user_id string,data_dt String,low_carbon int) row format delimited fields terminated by '\t';
create table plant_carbon(plant_id string,plant_name string,low_carbon int) row format delimited fields terminated by '\t';

    • 加载数据

      • load data local inpath "/opt/module/data/user_low_carbon.txt" into table user_low_carbon;
load data local inpath "/opt/module/data/plant_carbon.txt" into table plant_carbon;

    • 设置本地模式

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

    • 题目1

      • select
    user_id,
    plant_count,
    (plant_count-lead_plant_count) plant_count_diff
from
    (select
    user_id,
    plant_count,
    lead(plant_count,1,'9999-99-99') over(order by plant_count desc) lead_plant_count
from
    (select
    user_id,
    floor((sum_low_carbon-t2.low_carbon)/t3.low_carbon) plant_count
from
    (select
    user_id,
    sum(low_carbon) sum_low_carbon
from
    user_low_carbon
where
    date_format(regexp_replace(data_dt,'/','-'),'yyyy-MM')<'2017-10'
group by
    user_id)t1,
    (select low_carbon from plant_carbon where plant_id='p004')t2,
    (select low_carbon from plant_carbon where plant_id='p002')t3)t4
order by
    plant_count desc
limit 10)t5;

    • 题目2

      • select
    user_id
from
    (select
    user_id,
    data_dt,
    date_sub(data_dt,rk) data_sub_rk
from
    (select
    user_id,
    data_dt,
    rank() over(partition by user_id order by data_dt) rk
from
    (select
    user_id,
    date_format(regexp_replace(data_dt,'/','-'),'yyyy-MM-dd') data_dt
from
    user_low_carbon
where
    substring(data_dt,1,4)='2017'
group by
    user_id,data_dt
having
    sum(low_carbon)>=100)t1)t2)t3
group by 
    user_id,data_sub_rk
having
    count(*)>=10;

谷粒影音

  • 需求描述

    • 统计硅谷影音视频网站的常规指标，各种TopN指标：
--统计视频观看数Top10
--统计视频类别热度Top10
--统计视频观看数Top20所属类别
--统计视频观看数Top50所关联视频的所属类别Rank
--统计每个类别中的视频热度Top10
--统计每个类别中视频流量Top10
--统计上传视频最多的用户Top10以及他们上传的视频
--统计每个类别视频观看数Top10

  • 项目

    • 数据结构

      • 视频表

        • 字段 备注 详细描述
          video id 视频唯一id 11位字符串
          uploader 视频上传者 上传视频的用户名String
          age 视频年龄 视频在平台上的整数天
          category 视频类别 上传视频指定的视频分类
          length 视频长度 整形数字标识的视频长度
          views 观看次数 视频被浏览的次数
          rate 视频评分 满分5分
          ratings 流量 视频的流量，整型数字
          conments 评论数 一个视频的整数评论数
          related ids 相关视频id 相关视频的id，最多20个

      • 用户表

        • 字段 备注 字段类型
          uploader 上传者用户名 string
          videos 上传视频数 int
          friends 朋友数量 int

  • ETL原始数据

    • 通过观察原始数据形式，可以发现，视频可以有多个所属分类，每个所属分类用&符号分割，且分割的两边有空格字符，同时相关视频也是可以有多个元素，多个相关视频又用“\t”进行分割。为了分析数据时方便对存在多个子元素的数据进行操作，我们首先进行数据重组清洗操作。即：将所有的类别用“&”分割，同时去掉两边空格，多个相关视频id也使用“&”进行分割。

    • pom

      • <?xml version="1.0" encoding="UTF-8"?>

    4.0.0

    com.lotuslaw
    hive-demo
    1.0-SNAPSHOT

    
        8
        8
    

    
        
        
            org.apache.hive
            hive-exec
            3.1.2
        

        
            org.apache.hadoop
            hadoop-client
            3.1.3
        
        
            junit
            junit
            4.12
        
        
            org.slf4j
            slf4j-log4j12
            1.7.30

    • ETLUtil

      • package com.lotuslaw.etl;

/**
 * @author: lotuslaw
 * @version: V1.0
 * @package: com.lotuslaw.etl
 * @create: 2021-11-29 14:13
 * @description:
 */
public class ETLUtil {
    public static String oriString2ETLString(String ori) {
        StringBuilder etlString = new StringBuilder();
        String[] splits = ori.split("\t");
        if (splits.length < 9) return null;
        splits[3] = splits[3].replace(" ", "");
        for (int i = 0; i < splits.length; i++) {
            if (i < 9) {
                if (i == splits.length - 1) {
                    etlString.append(splits[i]);
                }else {
                    etlString.append(splits[i] + "\t");
                }
            }else {
                if (i == splits.length - 1) {
                    etlString.append(splits[i]);
                }else {
                    etlString.append(splits[i] + "&");
                }
            }
        }
        return etlString.toString();
    }
}

    • Mapper

      • package com.lotuslaw.etl;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * @author: lotuslaw
 * @version: V1.0
 * @package: com.lotuslaw.etl
 * @create: 2021-11-29 14:18
 * @description:
 */
public class VideoETLMapper extends Mapper {
    Text text = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String etlString = ETLUtil.oriString2ETLString(value.toString());

        if (StringUtils.isBlank(etlString)) return;

        text.set(etlString);
        context.write(NullWritable.get(), text);
    }
}

    • Driver

      • package com.lotuslaw.etl;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;

/**
 * @author: lotuslaw
 * @version: V1.0
 * @package: com.lotuslaw.etl
 * @create: 2021-11-29 14:23
 * @description:
 */
public class VideoETLRunner implements Tool {

    private Configuration conf = null;

    @Override
    public int run(String[] strings) throws Exception {
        conf = this.getConf();
        conf.set("inpath", strings[0]);
        conf.set("outpath", strings[1]);

        Job job = Job.getInstance(conf);
        job.setJarByClass(VideoETLRunner.class);
        job.setMapperClass(VideoETLMapper.class);
        job.setMapOutputKeyClass(NullWritable.class);
        job.setMapOutputValueClass(Text.class);
        job.setNumReduceTasks(0);
        this.initJobInputPath(job);
        this.initJobOutputPath(job);
        return job.waitForCompletion(true) ? 0 : 1;
    }

    @Override
    public void setConf(Configuration configuration) {

        this.conf = configuration;

    }

    @Override
    public Configuration getConf() {
        return this.conf;
    }

    private void initJobOutputPath(Job job) throws IOException {
        Configuration conf = job.getConfiguration();
        String outPathString = conf.get("outpath");
        FileSystem fs = FileSystem.get(conf);
        Path outPath = new Path(outPathString);
        if (fs.exists(outPath)) {
            fs.delete(outPath, true);
        }
        FileOutputFormat.setOutputPath(job, outPath);
    }

    private void initJobInputPath(Job job) throws IOException {
        Configuration conf = job.getConfiguration();
        String inPathString = conf.get("inpath");
        FileSystem fs = FileSystem.get(conf);
        Path inPath = new Path(inPathString);
        if (fs.exists(inPath)) {
            FileInputFormat.addInputPath(job, inPath);
        }else {
            throw new RuntimeException("HDFS中该文件目录不存在" + inPathString);
        }
    }

    public static void main(String[] args) {
        int resultCode = 0;
        try {
            resultCode = ToolRunner.run(new VideoETLRunner(), args);
        } catch (Exception e) {
            e.printStackTrace();
            System.exit(1);
        }
        if (resultCode == 0) {
            System.out.println("Success!");
        }else {
            System.out.println("Fail!");
        }
    }
}

    • 执行ETL

      • yarn jar ~/softwares/jars/gulivideo-0.0.1-SNAPSHOT.jar \
com.lotuslaw.etl.ETLVideosRunner \
/gulivideo/video/2008/0222 \
/gulivideo/output/video/2008/0222

  • 创建表

    • -- 创建表：gulivideo_ori，gulivideo_user_ori，
-- 创建表：gulivideo_orc，gulivideo_user_orc

create table gulivideo_ori(
    videoId string, 
    uploader string, 
    age int, 
    category array, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int,
    relatedId array)
row format delimited 
fields terminated by "\t"
collection items terminated by "&"
stored as textfile;

create table gulivideo_user_ori(
    uploader string,
    videos int,
    friends int)
row format delimited 
fields terminated by "\t" 
stored as textfile;

create table gulivideo_orc(
    videoId string, 
    uploader string, 
    age int, 
    category array, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int,
    relatedId array)
clustered by (uploader) into 8 buckets 
row format delimited fields terminated by "\t" 
collection items terminated by "&" 
stored as orc;

create table gulivideo_user_orc(
    uploader string,
    videos int,
    friends int)
row format delimited 
fields terminated by "\t" 
stored as orc;

    • 导入ETL后的数据

      • load data inpath "/gulivideo/output/video/2008/0222" into table gulivideo_ori;

load data inpath "/gulivideo/user/2008/0903" into table gulivideo_user_ori;

    • 向ORC表插入数据

      • insert into table gulivideo_orc select * from gulivideo_ori;

insert into table gulivideo_user_orc select * from gulivideo_user_ori;

  • 统计视频观看数Top10

    • select 
    videoId, 
    uploader, 
    age, 
    category, 
    length, 
    views, 
    rate, 
    ratings, 
    comments 
from 
    gulivideo_orc 
order by 
    views 
desc limit 
    10;

  • 统计视频类别热度Top10

    • -- 1) 即统计每个类别有多少个视频，显示出包含视频最多的前10个类别。
-- 2) 我们需要按照类别group by聚合，然后count组内的videoId个数即可。
-- 3) 因为当前表结构为：一个视频对应一个或多个类别。所以如果要group by类别，需要先将类别进行列转行(展开)，然后再进行count即可。
-- 4) 最后按照热度排序，显示前10条。
select 
    category_name as category, 
    count(t1.videoId) as hot 
from (
    select 
        videoId,
        category_name 
    from 
        gulivideo_orc lateral view explode(category) t_catetory as category_name) t1 
group by 
    t1.category_name 
order by 
    hot 
desc limit 
    10;

  • 统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数

    • -- 1) 先找到观看数最高的20个视频所属条目的所有信息，降序排列
-- 2) 把这20条信息中的category分裂出来(列转行)
-- 3) 最后查询视频分类名称和该分类下有多少个Top20的视频
select 
    category_name as category, 
    count(t2.videoId) as hot_with_views 
from (
    select 
        videoId, 
        category_name 
    from (
        select 
            * 
        from 
            gulivideo_orc 
        order by 
            views 
        desc limit 
            20) t1 lateral view explode(category) t_catetory as category_name) t2 
group by 
    category_name 
order by 
    hot_with_views 
desc;

  • 统计视频观看数Top50所关联视频的所属类别Rank

    • -- 1)查询出观看数最多的前50个视频的所有信息(当然包含了每个视频对应的关联视频)，记为临时表t1
-- 2)将找到的50条视频信息的相关视频relatedId列转行，记为临时表t2
-- 3)将相关视频的id和gulivideo_orc表进行inner join操作
-- 4) 按照视频类别进行分组，统计每组视频个数，然后排行
select 
    category_name as category, 
    count(t5.videoId) as hot 
from (
    select 
        videoId, 
        category_name 
    from (
        select 
            distinct(t2.videoId), 
            t3.category 
        from (
            select 
                explode(relatedId) as videoId 
            from (
                select 
                    * 
                from 
                    gulivideo_orc 
                order by 
                    views 
                desc limit 
                    50) t1) t2 
        inner join 
            gulivideo_orc t3 on t2.videoId = t3.videoId) t4 lateral view explode(category) t_catetory as category_name) t5
group by 
    category_name 
order by 
    hot 
desc;

  • 统计每个类别中的视频热度Top10，以Music为例

    • -- 1) 要想统计Music类别中的视频热度Top10，需要先找到Music类别，那么就需要将category展开，所以可以创建一张表用于存放categoryId展开的数据。
-- 2) 向category展开的表中插入数据。
-- 3) 统计对应类别（Music）中的视频热度。
create table gulivideo_category(
    videoId string, 
    uploader string, 
    age int, 
    categoryId string, 
    length int, 
    views int, 
    rate float, 
    ratings int, 
    comments int, 
    relatedId array)
row format delimited 
fields terminated by "\t" 
collection items terminated by "&" 
stored as orc;

insert into table gulivideo_category  
    select 
        videoId,
        uploader,
        age,
        categoryId,
        length,
        views,
        rate,
        ratings,
        comments,
        relatedId 
    from 
        gulivideo_orc lateral view explode(category) catetory as categoryId;
        
select 
    videoId, 
    views
from 
    gulivideo_category 
where 
    categoryId = "Music" 
order by 
    views 
desc limit
    10;

  • 统计上传视频最多的用户Top10以及他们上传的观看次数在前20的视频

    • -- 1) 先找到上传视频最多的10个用户的用户信息
-- 2) 通过uploader字段与gulivideo_orc表进行join，得到的信息按照views观看次数进行排序即可。
select 
    t2.videoId, 
    t2.views,
    t2.ratings,
    t1.videos,
    t1.friends 
from (
    select 
        * 
    from 
        gulivideo_user_orc 
    order by 
        videos desc 
    limit 
        10) t1 
join 
    gulivideo_orc t2
on 
    t1.uploader = t2.uploader 
order by 
    views desc 
limit 
    20;

  • 统计每个类别视频观看数Top10

    • -- 1) 先得到categoryId展开的表数据
-- 2) 子查询按照categoryId进行分区，然后分区内排序，并生成递增数字，该递增数字这一列起名为rank列
-- 3) 通过子查询产生的临时表，查询rank值小于等于10的数据行即可。
select 
    t1.* 
from (
    select 
        videoId,
        categoryId,
        views,
        row_number() over(partition by categoryId order by views desc) rank from gulivideo_category) t1 
where 
    rank <= 10;
大数据相关Hive

相关

hive修改表DDL

数据预处理与转存（Hive--Mysql）

024.hive-hive查询表、查询表的格式（内部表还是外部表、表的存储格式）

HiveServer2 服务端配置

Hive 的安装与配置

Hive搭建

Hive数据仓库笔记（一）

MapReduce和Hive实现词频统计

【TPC-DS】trino+S3+hive+postgresql性能测试----生成简单数据验证环境（四）

【TPC-DS】trino+S3+hive+postgresql性能测试----生成简单数据验证环境（四）

Hive-文件存储格式

Hive复杂数组字典(Json-Array)解析

标签