Hive的使用

摘要: hive是一个基于hadoop平台的数据仓库工具,主要对海量数据进行统计分析

Hive是一个基于hadoop平台的数据仓库工具,主要对海量数据进行统计分析

1、运行模式（集群与本地）

1.1、集群模式：>SET mapred.job.tracker=cluster

1.2、本地模式：>SET mapred.job.tracker=local

2、访问Hive的3钟方式

2.1、终端访问

#hive 或者 #hive --service cli

2.2、web访问，端口9999

#hive --service hwi &

2.3、hive远程服务，端口10000

#hive --service hiveserver &

3、数据类型

3.1、基本数据类型 ：

数据类型	占用长度
tinyint	1byte（-128~127）
smallint	2byte（-2^16 ~ 2^16-1）
int	4byte（-2^31 ~ 2^31-1）
bigint	8byte（-2^63 ~ 2^63-1）
float	4byte单精度
double	8byte双精度
string
boolean

3.2、复合数据类型：ARRAY,MAP,STRUCT,UNION

4、数据存储

4.1、基于HDFS

4.2、存储结构：database 、table 、file 、view

4.3、指定行、列分隔符即可解析数据

5、基本操作

5.1、创建数据库：>create database db_name

5.2、指定数据库：>use db

5.3、显示表：show tables;

5.4、创建表

5.4.1、内部表（默认）：create table table_name(param_name type1,param_name2 type2,...) row format delimited fields terminated by '分隔符';

例：create table trade_detail(id bigint, account string, income double, expenses double, time string) row format delimited fields terminated by '\t';

内部表类似数据库表，存储在HDFS上（位置通过hive.metastore.warehouse.dir参数查看，除了外部表以外都保存在此处的表），表被删除时，表的元数据信息一起被删除。

加载数据：load data local inpath 'path' into table table_name;

5.4.2、分区表：create table table_name(param_name type1,param_name2 type2,...) partitioned by (param_name type) row format delimited fields terminated by '分隔符'；

例：create table td_part(id bigint, account string, income double, expenses double, time string) partitioned by (logdate string) row format delimited fields terminated by '\t';

和普通表的区别：各个数据划分到不同的分区文件，表中的每一个partition对应表下的一个目录，尽管

加载数据：load data local inpath 'path' into table table_name partition (parti_param1='value',parti_param2='value',..);


添加分区：alter table partition_table add partition (daytime='2013-02-04',city='bj');

删除分区：alter table partition_table drop partition (daytime='2013-02-04',city='bj')，元数据和数据文件被删除，但是目录还存在

5.4.3、外部表：create external table td_ext(id bigint, account string, income double, expenses double, time string) row format delimited fields terminated by '\t' location 'hdfs_path';

加载数据：load data inpath 'hdfs_path' table_name;

5.4.4、桶表：是对数据进行哈希取值，然后放到不同文件中存储。
创建表：create table bucket_table(id string) clustered by(id) into 4 buckets;

加载数据：

set hive.enforce.bucketing = true;

必须先把以上的操作执行才能加载数据
insert into table bucket_table select name from stu;
insert overwrite table bucket_table select name from stu;

数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。

对数据抽样调查：select * from bucket_table tablesample(bucket 1 out of 4 on id);
6、创建视图：CREATE VIEW v1 AS select * from t1;

7、修改表：alter table tb_name add columns (param_name,type);
8、删除表：drop table tb_name;

9、数据导入

9.1、加载数据：LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

数据加载到表时，不会对数据进行转移，LOAD操作只是将数据复制到HIVE表对应的位置
9.2、Hive中表的互导：INSERT OVERWRITE TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement FROM from_statement
9.3、create as ：CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name (col_name data_type, ...) …AS SELECT * FROM TB_NAME;

10、查询

10.1、语法结构

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] | [ORDER BY col_list] ]
[LIMIT number]

ALL and DISTINCT ：去重

10.2、partition查询

利用分区剪枝（input pruning）的特性，类似“分区索引”，只有当语句中出现WHERE才会启动分区剪枝

10.3、LIMIT Clause

Limit 可以限制查询的记录数。查询的结果是随机选择的。语法：SELECT * FROM t1 LIMIT 5
10.4、Top N
SET mapred.reduce.tasks = 1 SELECT * FROM sales SORT BY amount DESC LIMIT 5

11、表连接

11.1、内连接：select b.name,a.* from dim_ac a join acinfo b on (a.ac=b.acip) limit 10;
11.2、左外连接：select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;

12、Java客户端

12.1、启动远程服务#hive --service hiveserver

12.2、相关代码

Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";

ResultSet res = stmt.executeQuery(querySQL);

while (res.next()) {
System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" +res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5));
}

13、自定义函数（UDF）

13.1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。
13.2、编写UDF函数的时候需要注意一下几点：
a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
b）需要实现evaluate函数，evaluate函数支持重载。

13.3、步骤
a）把程序打包放到目标机器上去；
b）进入hive客户端，添加jar包：hive>add jar /run/jar/udf_test.jar;
c）创建临时函数：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
d）查询HQL语句：
SELECT add_example(8, 9) FROM scores;
SELECT add_example(scores.math, scores.art) FROM scores;
SELECT add_example(6, 7, 8, 6.8) FROM scores;
e）销毁临时函数：hive> DROP TEMPORARY FUNCTION add_example;
注：UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF

13.4、代码

package cn.itheima.bigdata.hive;

import java.util.HashMap;

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

public class AreaTranslationUDF extends UDF{

private static HashMap<String, String> areaMap = new HashMap<String, String>();

static{

areaMap.put("138", "beijing");
areaMap.put("139", "shanghai");
areaMap.put("137", "guangzhou");
areaMap.put("136", "niuyue");

}

//用来将手机号翻译成归属地,evaluate方法一定要是public修饰的，否则调不到
public String evaluate(String phonenbr) {

String area = areaMap.get(phonenbr.substring(0,3));
return area==null?"other":area;

}

//用来求两个字段的和
public int evaluate(int x,int y){

return x+y;
}

}