Hive个人学习总结

1>
   关于load 数据的时候，如果数据不是在本地，那么是不需要加上local关键字；此时，表示的是数据在HDFS上，可能会问：数据本来就是在HDFS上，那为什么还要load呢？load的目的就是将数据的目录修改，修改指向到/usr/hive/warehouse下面。因此，如果考虑和规划不当，那么会导致HDFS上目录的很大变化。
    关于overwrite 关键字，一定要小心使用，本人就曾错误使用overwrite，错将原来的数据覆盖掉了，还好就丢了百兆！！

2>
    开启一个hive服务：./hive --servcie hiveserver2

    查询监听端口：netstat -nplt |grep 10000
    本地测试：./beeline  !connect jdbc:hive2://node1:10000            

    开启成功：出现事务可重复读字样：TRANSACTION_REPEATABLE_READ
    此时，可以书写像java连接数据库一样的 增删改查的代码。
3>

UDF:
       函数的输入数据为一条数据，输出数据也为一条数据。
如字符串连接函数：concat;For example, concat('foo', 'bar') results in 'foobar'. Note that this function can take any number of input strings.
UDAF:
        Built-in Aggregate Functions (UDAF)

       函数的输入数据为多行数据，输出数据不定。如聚合函数Count,avg, max(a,b),min(a,b)
4>
    Hive的特点：
    Ø  可扩展
        Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。
    Ø  延伸性（灵活）
        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。
    Ø  容错
        良好的容错性，节点出现问题SQL仍可完成执行。
5>
  关于数据格式，Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。

注：
  由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。不像在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。

6>

    Hive中包含以下数据模型：DB、Table，External Table，Partition，Bucket。        ²  db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹        ²  table：在hdfs中表现所属db目录下一个文件夹        ²  external table：与table类似，不过其数据存放位置可以在任意指定路径        ²  partition：在hdfs中表现为table目录下的子目录        ²  bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件
7>
    创建分区表，需要添加partitioned by (fieldname fieldtype)

    创建外部表，需要使用external关键字，并在最后加上location ‘your external file path’
    加载数据时，对于分区表，在表名后面加上partition(fieldname = 'you defined name of this part')
   注意：
        只是在创建分区表的时候才指定了分区的名字，而只有在导数据的时候才创建具体的分区！！！

       查询时，使用where子句进行查询。
8>
    可以使用:

        hive -e  sql语句来执行

        hive -f   sql文件来执行

    可以考虑使用第一种，编写脚本执行。
9>

    对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
把表（或者分区）组织成桶（Bucket）有两个理由：
（1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大减少JOIN的数据量。
（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。
10>
  
distributeby field1 sort by field2
作用：在生成的mapreduce程序中，根据field1进行partition，根据field2进行reduce内排序，所以查询的结果，会生成多个文件，每个文件内部有序；
示例：
select* from student distribute by sno sort by sage;
注意：
       order by 与sort by的区别是：order by编译时默认会把reduce tasks的个数设置为1；而sort by的是会按照set reducetasks的个数决定的，如果是个数是1，则和order by一样；否则是局部有序的。
为了避免数据倾斜【默认是采用随机的column name作为key】，最好指定改变数据分发，使用distribute by (column name) 后+ sort by (column name1)

clusterby field1
作用：在生成的mapreduce程序中，根据field1进行partition，根据field1进行reduce内排序，所以查询的结果，会生成多个文件，每个文件内部有序；
它就相当于 distribute by field1 sort by field1
示例：select * from student cluster by sno;
注意，在建表时：只能使用clustered by   sorted by   into xx buckets;
示例：

create table t_ (id string,name string) clustered by (id) sorted by (name) into 4 buckets row format delimited fields terminated by '\001';

该建表语句，指明了：该表中的数据应该是按照id哈希散列成了4桶，并且在桶内按照name排好了序；
11>
添加删除分区：
    alter table student_p addpartition(part='a') partition(part='b');

    ALTER TABLE table_name DROP partition_spec,partition_spec,...
增加删除列：

   ADD是代表新增一字段，字段位置在所有列后面(partition列前)，REPLACE则是表示替换表中所有字段。
显示命令：
   
  show tables
  show databases
  show partitions
  show functions
  desc t_name
  desc extended t_name;
  desc formatted table_name;
12>
  关于insert：
        1>查询结果插入新的表

                insert overwrite into table 表名 partition(p_name =''..")  select 子句

        2>像SQL一样普通的插入一条记录 insert。。。
        3>多重插入模式
                from 表名

               insert overwrite into table 表名 partition(p_name =''..")  select 子句
              insert overwrite into table 表名 partition(p_name =''..")  select 子句
        4>动态分区插入
            insert overwrite into table 表名 partition(p_name)  select 子句
            只指定了分区名
13>
    关于导出表数据：

        insert overwrite local directory  path    select 子句

    多重导出：
       select  表名
       insert overwrite local directory  path    select 子句
       insert overwrite local directory  path    select 子句

   注：此处的path也可以是HDFS上的path
14>
     关于select：

1、order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。
2、sort by不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer的输出有序，不保证全局有序。
3、distribute by(字段)根据指定的字段将数据分到不同的reducer，且分发算法是hash散列。
4、Cluster by(字段) 除了具有Distributeby的功能外，还会对该字段进行排序。
注：
    cluster  by = distribute by + sort by 

15>
    关于join：

      hive支持等值连接，如on a.x = b.x 但是不知道非等值的连接；
     hive还支持外链接，此外，hive支持多于两个表的连接。
  注：
     如果join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务。

     reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。    

16>
  UDF 定义:
       java类继承UDF，并重载evalutate方法
      jar包添加至hive的classpath下：add JAR ...
     创建临时函数与java  class 关联
             create  temporary  function  function_name  as "包名.类名”  
     在HQL中即可使用