Hive使用必知必会系列 - HelloWorld开发者社区

一、Hive的几种数据模型

内部表 (Table 将数据保存到Hive 自己的数据仓库目录中：/usr/hive/warehouse)
外部表 (External Table 相对于内部表，数据不在自己的数据仓库中，只保存数据的元信息)
分区表 (Partition Table将数据按照设定的条件分开存储，提高查询效率，分区-----> 目录)
桶表 (Bucket Table本质上也是一种分区表，类似 hash 分区桶 ----> 文件)
视图表 (视图表是一个虚表，不存储数据，用来简化复杂的查询)

注意:内部表删除表后数据也会删除，外部表数据删除后不会从hdfs中删除

1. 内部表/管理表

每一个Table在Hive中都有一个相应的目录存储数据
所有的Table数据都存储在该目录

创建表create table if not exists aiops.appinfo ( appname string, level string, leader string, appline string, dep string, ips array) ROW FORMAT DELIMITED FIELDS TERMINATED BY ' ' COLLECTION ITEMS TERMINATED BY ',';# 自定义文件和记录格式## 使用create table创建表，最后使用stored as sequencefile保存成sequence格式[默认是text格式]# 数据库授权hive> grant create on database dbname to user hadoop;# 导入数据(本地导入和hdfs导入)hive> load data inpath 'hdfs://hdfs-name/sure.csv' overwrite into table aiops.appinfo;load data local inpath '/home/hdfs/online_state1' overwrite into table online_state PARTITION (end_dt='99991231');# 查看表结构hive> describe extended bgops;hive> describe bgops;# 修改列名## 这个命令可以修改表的列名，数据类型，列注释和列所在的位置顺序，FIRST将列放在第一列，AFTER col_name将列放在col_name后面一列hive> ALTER TABLE aiops.appinfo CHANGE hostnum ipnum int comment 'some 注释' AFTER col3;# 修改表结构ALTER TABLE aiops.appinfo replace columns (appname string,level string,leader string,appline string,dep string,ips array);ALTER TABLE appinfo replace columns (appname string,appline string,level string,leader string,dep string,idcnum int,idcs array,hostnum int,ips array);## 增加表的列字段(默认增加到最后一列，可以使用change column 来调整位置)hive> alter table appinfo add columns (appclass string comment 'app_perf_class');# 导出表查询结果(会将结果导出到testoutput目录下)hive> insert overwrite local directory './testoutput' > row format delimited fields terminated by "\t" > select ip,appname,leader from appinfo LATERAL VIEW explode(ips) tmpappinfo AS ip;

外部表的使用场景

原始日志文件或同时被多个部门同时操作的数据集，需要使用外部表
如果不小心将meta data删除了，HDFS上的数据还在，可以恢复，增加了数据的安全性

注意:使用insert插入数据时会产生临时表，重新连接后会表会小时，因此大批量插入数据时不建议用insert
tips1:在hdfs的hive路径下以.db结尾的其实都是实际的数据库
tips2:默认的default数据库就在hive的家目录

3. 分区表

注意:分区表通常分为静态分区表和动态分区表，前者需要导入数据时静态指定分区，后者可以直接根据导入数据进行分区。分区的好处是可以让数据按照区域进行分类，避免了查询时的全表扫描。

# 创建外部分区表，指定静态分区为dtCREATE EXTERNAL TABLE if not exists aiops.tmpOnline(ip string,status string,....)PARTITIONED BY (  dt string);# 导入数据到静态分区表中(需要注意的是数据中没有dt字段)load data local inpath '/home/hdfs/tmpOnline' overwrite into table aiops.tmpOnline PARTITION (dt='99991231');# 动态分区表的使用(动态分区和静态分区表的创建时没有区别的)# 注意:hive默认没有开启动态分区，需要进行参数修改# 使用动态分区的记录中，必须在指定位置包含动态分区的字段才能被动态分区表识别hive>set hive.exec.dynamic.partition.mode=nonstrict;hive>insert  overwritetable aiops.tmpOnlinepartition(dt)selectip,appname,....,from_unixtime(unix_timestamp(),'yyyyMMdd') as dt from table;  # 手动添加分区alter table tablename add partition (dt='20181009');# 删除分区，数据也会删除(所以一般会使用外部分区表？)## 注意:如果数据有变动，是无法将数据load到同一个时间分区的记录的alter table tablename drop partition (dt='20181009');# 查询分区表没有加分区过滤，会禁止提交这个任务(strict方式每次查询必须制定分区)set hive.mapred.mode = strict|nostrict;

注意:在外部分区表中，如果将表删除了，重建表后只需要将分区加载进来即可恢复历史相关分区的数据。

多重分区的使用

# 创建多重分区表create table log_m (    id  int,    name string,    age int)partitioned by (year string,month string,day string)row format delimitedfields terminated by '|'collection items terminated by ','map keys terminated by ':'lines terminated by '\n';# 插入数据insert into table log_m partition  (year='2018',month='10',day='10') values(1,'biaoge',24);insert into table log_m partition  (year='2018',month='10',day='09') values(2,'bgbiao',25);hive> show partitions log_m;OKyear=2018/month=10/day=09year=2018/month=10/day=10Time taken: 0.055 seconds, Fetched: 2 row(s)hive># 多重动态分区# 好像动态分区表不能直接load datahive> insert into table log_m partition(year,month,day) values(3,'xuxuebiao',28,'2016','09','10');hive> show partitions log_m;OKyear=2016/month=09/day=10year=2018/month=10/day=09year=2018/month=10/day=10# 查询分区数据hive> select * from log_m where year = '2018';OK2 bgbiao  25  2018  10  091 biaoge  24  2018  10  102 bgbiao  25  2018  10  10

二、Hive的复杂数据类型的使用

注意:Hive之所以能在大数据领域比较受欢迎，很大一部分原因在于相比其他SQL类存储系统支持更加复杂的数据类型

map: (key1, value1, key2, value2, ...) 一些列的k/v对 map<int,string...>
struct: (var1,var2,var3...) 不同类型的值的组合 structabc:string,def:int...
array: (var1,var2,var3...) 一种类型的值的组合 array<string...>
uniontype: (string,map<>,struct<>,array<>)

注意:在创建hive表时可根据需要导入的数据进行类型识别并创建适合的数据类型
hive数据类型数据识别标识:

字段分割标识

含义

FIELDS TERMINATED BY

表示字段与字段之间的分隔符

COLLECTION ITEMS TERMINATED BY

表示一个字段中各个item之间的分隔符[可用于array和struct类型]

MAP KEYS TERMINATED BY

表示map类型中的key/value的分隔符[可用于map类型]

# 创建表create table union_testnew(  foo uniontype<int, double, string, array<string>, map<string, string>>)row format delimitedcollection items terminated by ','map keys terminated by ':'lines terminated by '\n'stored as textfile;# 数据准备[root@master wadeyu]# vim union_test.log  1 0,1  2 1,3.0  3 2,world  4 3,wade:tom:polly  5 4,k1^Dv1:k2^Dv2# 导入数据hive (badou)> load data local inpath './union_test.log' overwrite into table union_testnew;# 查询数据hive (badou)> select * from union_testnew;OKunion_testnew.foo{0:1}{1:3.0}{2:"world"}{3:["wade","tom","polly"]}{4:{"k1":"v1","k2":"v2"}}Time taken: 0.225 seconds, Fetched: 5 row(s)

1. array类型的使用

1.1 array类型的基本使用

类型结构: array 例如:array,array
数据表示: 例如:[string1,string2],[int1,int2]

# 原始文件bmpjob P2 bgops 服务研发组 10.0.0.212,10.0.0.225,10.0.0.243,10.0.55.31# 创建数据库hive> create table appinfo    > (    > appname string,    > level string,    > leader string,    > dep string,    > ips  array<string>)    > ROW FORMAT DELIMITED    > FIELDS TERMINATED BY ' '    > COLLECTION ITEMS TERMINATED BY ',';# 加载数据到hivehive> load data inpath 'hdfs://hdfs-name/aiops/wander/appinfo.txt' overwrite into table appinfo;Loading data to table test.appinfoTable test.appinfo stats: [numFiles=1, numRows=0, totalSize=32568, rawDataSize=0]OK# 查询相关数据hive> select * from appinfo limit 1;OKbmpjob P2 bgops 服务研发组 ["10.0.0.212","10.0.0.225","10.0.0.243","10.0.55.31"]hive> select appname,leader,ips[0] from appinfo limit 1;OKbmpjob bgops 10.0.0.212

1.2 array类型数据转换处理

背景:
使用array结构时，一个字段中通常会有多个值，这个时候通常情况下是需要对某个值进行过滤的，一般情况下会使用lateral view结合UDTF(User-Defined Table-Generating Functions)进行过滤。而UDTF为了解决一行输出多行的需求，典型的就是explode()函数。

lateral view语法结构

lateralView: LATERAL VIEW udtf(expression) tableAlias AS columnAlias (',' columnAlias)

array转字符串

# 借用split函数将array<string>结构内容转换为以","分割的字符串select split(array<string>,',') from tablename

hive使用explode()函数进行行转列
语法:lateral view explode(col3) col3 as name

explode(ARRAY): 列表中的每个元素生成一行
explode(MAP): map中每个key-value对，生成一行，key为一列，value为一列

hive> select ip,appname from appinfo LATERAL VIEW explode(ips) tmpappinfo AS ip limit 2;10.0.0.212 bmpjob10.0.0.225 bmpjob

hive使用concat_ws()函数进行列转行

# 借用concat_ws()和collect_set()函数进行相同列的重复数据转换# collect_set()函数可以将相关列合并成array<>类型；concat_ws()函数会将array<>类型根据指定的分隔符进行合并## 示例数据hive> select * from tmp_jiangzl_test;tmp_jiangzl_test.col1   tmp_jiangzl_test.col2   tmp_jiangzl_test.col3a       b       1a       b       2a       b       3c       d       4c       d       5c       d       6## 对于以上数据，我们可以将col3列根据列col1和col2进行合并hive> select col1,col2,concat_ws(',',collect_set(col3)) from tmp_jiangzl_test group by col1,col2;col1    col2    _c2a       b       1,2,3c       d       4,5,6

2. struct<>类型的使用

数据定义: struct<name:STRING, age:INT>
数据表示: biaoge:18

示例:

# 元数据格式1,zhou:302,yan:303,chen:20# 相关数据库结构hive> create table test-struct(id INT, info struct<name:STRING, age:INT>)    > ROW FORMAT DELIMITED FIELDS TERMINATED BY ','    > COLLECTION ITEMS TERMINATED BY ':';# 加载数据hive> LOAD DATA LOCAL INPATH '/home/work/data/test5.txt' INTO TABLE test-struct;# 查询相关数据hive> select info.age from test-struct;Total MapReduce jobs = 1......Total MapReduce CPU Time Spent: 490 msecOK3030

3. map<>类型的使用

数据定义: map<string,int>
数据表示: key:value,key:value...
示例：

# 原始数据格式1       job:80,team:60,person:702       job:60,team:803       job:90,team:70,person:100# map结构的表结构创建hive> create table employee(id string, perf map<string, int>)    > ROW FORMAT DELIMITED    > FIELDS TERMINATED BY '\t'    > COLLECTION ITEMS TERMINATED BY ','    > MAP KEYS TERMINATED BY ':';# 数据导入hive>  LOAD DATA LOCAL INPATH '/home/work/data/test7.txt' INTO TABLE employee;# 数据查询hive> select perf['person'] from employee;Total MapReduce jobs = 1......Total MapReduce CPU Time Spent: 460 msecOK70NULL# 使用explode()函数查询hive> select explode(perf) as (p_name,p_score) from employee limit 4;OKjob 80team 60person 70# 使用explode()和lateral view结合查询hive> select id,p_name,p_score from employee lateral view explode(perf) perf as p_name,p_score limit 3;OK1 job 801 team 601 person 70# 使用size()函数查看map结构中的键值对个数[也可查看array中的元素个数]hive> select size(perf) from employee323

三、Hive的常用函数

注意:使用show functions可以查看hive支持的相关函数

1. hive常用函数列表

标准函数使用:

函数名

作用描述

round()/floor()

可以将double类型转换为bigint类型

abs()

返回数值的绝对值

ucase()

将字符串转换成全是大写字母

reverse()

将字符串进行翻转

concat()

将输入的多个字符串当做一个字符串输出concat(' Hive使用必知必会系列 171

聚合函数使用:

函数名

作用描述

sum()

返回所有输入求和后的值

avg()

计算所有输入值的平均值

min()/max()

计算输入值的最大和最小值

注意:聚合方法通常需要和group by语句组合使用

表生成函数:
表生成函数接收零个或者多个输入，然后产生多列或多行输出.

函数名

作用描述

array()

将函数内容转换成一个array<>类型

split(array,split)

将array<>类型按照split分割符进行分割成字符串(转义时使用\进行转义)

explode()

array数据类型作为输入，对数组中数据进行迭代，返回多行结果

collect_set()

将某字段的值进行去重汇总，产生Array类型字段

collect_list()

同collect_set()，但是不会对字段进行去重

concat_ws(split,struct)

将struct类型的字段按照split进行分割成字符串(struct仅支持string和array<>类型)

cast(column as type)

转换数据类型(column列转换为type类型)

注意:当split被包含在""之中的时候需要使用四个\进行转义[比如在hive -e ""中执行split函数]

## array()函数可以将一列输入转换成一个数组输出hive> select array(1,2,3) from xuxuebiao;OK[1,2,3][1,2,3]## explode()函数以array数据类型作为输入，对数组中数据进行迭代，返回多行结果hive> select explode(array(1,2,3)) from xuxuebiao;OK123## 使用explode()函数查看array中的某个元素hive> select * from appinfo LATERAL VIEW explode(ips) tmpappinfo  AS realid         where realid ='10.0.0.125' ;## collect_set函数### 该函数的作用是将某字段的值进行去重汇总，产生Array类型字段hive> select * from test;OK1       A1       C1       Bhive>  select id,collect_set(name) from test group by id;OK1       ["A","C","B"]

2.常用的条件判断以及数据清洗函数

在使用hive处理数据过程中，通常我们需要对相关数据进行清洗转换，此时我们可能会使用一些条件判断以及默认值处理函数。

函数名

作用描述

IF( Test Condition, True Value, False Value )

判断条件，满足即为True值，不满足即为False值

CASE Statement

多条件判断

parse_url()

通常用于清洗url相关函数，提供了常用的url解析功能

parse_url_tuple()

同上

regexp_replace()

正则表达式替换

regexp_extract()

正则表达式解析

COALESCE(column,'')

hive中的空值转换(hive中的空值为NULL，而存储到hdfs中会以\N来存储)

示例:

# if条件判断常用于不同规格数据的清洗操作hive> select ip,if(assign != '分配状态未知',0,assign) as fenpei  from asset ;OK10.0.0.1 分配状态未知# case多条件判断hive> select ip,    case        when assign = '已分配' then 1        when assign = '未分配' then 2        else 0    end    as fenpeifrom assethive (ods)> select name,salary,          > case when salary < 800 then 'low'          > when salary >= 800 and salary <=5000 then 'middle'          > when salary >5000 and salary <10000 then 'high'          > else 'very high'          > end as bracket          > from emp1;# parser_url()函数hive> select parse_url('https://www.baidu.com/s?cl=3&tn=baidutop10&fr=top1000&wd=%E8%BF%AA%E5%A3%AB%E5%B0%BC%E6%94%B6%E8%B4%AD%E7%A6%8F%E5%85%8B%E6%96%AF&rsv_idx=2','HOST') ;www.baidu.com# 正则表达式hive> select regexp_replace('foobar', 'oo|ar', '');select regexp_replace('foobar', 'oo|ar', '-');## 输出第一个回溯引用(.*?)匹配到的内容即theselect regexp_extract('foothebar', 'foo(.*?)(bar)', 1);## 输出第而个回溯引用(bar)匹配到的内容即barselect regexp_extract('foothebar', 'foo(.*?)(bar)', 2);## 输出全部内容select regexp_extract('foothebar', 'foo(.*?)(bar)', 0);# 清洗组合select if(4>5,5000,1000),coalesce(null,1,3,5),coalesce(null,null,null,null), case 3 when 1 then 'lala' when 2 then 'chye' else 'abc' end;