一、Hive基本概念
1. 什么是 Hive
1）hive 简介
Hive：由 Facebook 开源用于解决海量结构化日志的数据统计工具。

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。

2）Hive 本质:将 HQL 转化成 MapReduce 程序


Hive 处理的数据存储在 HDF
Hive 分析数据底层的实现是 MapReduce
执行程序运行在 Yarn 上
2. Hive 的优缺点
1）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。
2）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，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。
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
3. Hive 架构原理


用户接口：Client

CLI(command-line interface)、JDBC/ODBC(jdbc 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;

默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore

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。

4. Hive 和数据库比较
由于 Hive 采用了类似 SQL 的查询语言 HQL（Hive Query Language），因此很容易将 Hive 理解为数据库。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。 本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1）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。

2）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。

3）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。

4）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。

二、Hive安装
1. 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
2. 安装MySQL
下载地址：https://dev.mysql.com/downloads/mysql/



检查是否安装了mariadb

yum list installed | grep mariadb
1
若linux中安装了mariadb数据库，先卸载掉，mariadb数据库可能与安装mysql发生冲突：


# 卸载 mariadb
yum -y remove mariadb-libs.x86_64
1
2
将安装包上传到服务器，解压并重命名 MySQL

tar -zxvf mysql-5.7.36-linux-glibc2.12-x86_64.tar.gz -C /usr/local/
cd /usr/local/
mv mysql-5.7.36-linux-glibc2.12-x86_64/ mysql-5.7.36
1
2
3
创建 data 文件夹及 mysql 用户

cd /usr/local/mysql-5.7.36/
mkdir data

useradd mysql
1
2
3
4
初始化MySQL

cd /usr/local/mysql-5.7.36/
bin/mysqld --initialize --user=mysql --datadir=/usr/local/mysql-5.7.36/data/ --basedir=/usr/local/mysql-5.7.36/
1
2
该命令执行后，会生成一个临时的 mysql 数据库 root 用户的密码，请先拷贝出来记住，后续第一次登录mysql需要使用


启动MySQL

bin/mysqld_safe &
1
登录MySQL并修改密码

# 登录，-u 指定用户名 -p 指定密码
bin/mysql -uroot -p

# 修改mysql的root用户的密码，命令语法：alter user '用户名'@'主机域名或ip' identified by '新密码'
alter user 'root'@'localhost' identified by '123';
1
2
3
4
5
授权远程访问并刷新权限

grant all privileges on *.* to root@'%' identified by '123';
flush privileges;
1
2
3. Hive 安装部署
安装 Hive（3.1.2），日志默认记录位置：/tmp/用户名/hive.log

下载：http://archive.apache.org/dist/hive/hive-3.1.2/

把 apache-hive-3.1.2-bin.tar.gz 上传到 linux ，然后解压 apache-hive-3.1.2-bin.tar.gz 到 /usr/local 目录下面

tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /usr/local/
1
修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive-3.1.2

cd /usr/local/
mv apache-hive-3.1.2-bin/ hive-3.1.2
1
2
修改 /etc/profile.d/my_env.sh，添加环境变量

$ sudo vim /etc/profile.d/my_env.sh

#HIVE_HOME
export HIVE_HOME="/usr/local/hive-3.1.2"
export PATH="$PATH:$HIVE_HOME/bin"
1
2
3
4
5
解决日志 Jar 包冲突

$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak
1
4. Hive 元数据配置到 MySQL
Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与 其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。

下载驱动
下载地址：https://mvnrepository.com/artifact/mysql/mysql-connector-java/5.1.49



拷贝驱动：将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

配置 Metastore 到 MySQL ：在 $HIVE_HOME/conf 目录下新建 hive-site.xml 文件

$ vim $HIVE_HOME/conf/hive-site.xml
1
添加如下内容，其中 Mysql 连接信息需要修改

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- jdbc 连接的 URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>
<!-- jdbc 连接的 Driver-->
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<!-- jdbc 连接的 username-->
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>
<!-- jdbc 连接的 password -->
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>123</value>
</property>
<!-- Hive 元数据存储版本的验证 -->
<property>
<name>hive.metastore.schema.verification</name>
<value>false</value>
</property>
<!--元数据存储授权-->
<property>
<name>hive.metastore.event.db.notification.api.auth</name>
<value>false</value>
</property>
<!-- Hive 默认在 HDFS 的工作目录 -->
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property>
</configuration>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
登录 Mysql ，创建上一步配置的数据库

$ mysql -uroot -p123
mysql> create database metastore
mysql> quit;
1
2
3
初始化 Hive 元数据库

schematool -initSchema -dbType mysql -verbose
1
Mysql 中只是存储的元数据（记录表的位置），

5. 启动并使用 Hive
1）启动 Hive
$ hive
1
日志默认记录位置：/tmp/用户名/hive.log

2）使用 Hive
hive> show databases;
hive> show tables;
hive> create table test(id string);
hive> insert into test values("张三");
hive> select * from test;
1
2
3
4
5
3）Hadoop中查看文件
可以看到，刚使用 Hive 插入的数据，存储到了 Hadoop 中。


注意：Mysql 中只存储元数据，而真正的数据存储在 Hadoop 中，而在 Hive 中创建表，只是在 Mysql 中创建元数据，此时如果手动通过 HDFS 上传文件（文件名为表名），也可以在 Hive 中查询到。换句话说，Hive 要能查到数据，元数据和真实数据都必须存在。

如下是 Hive 存储在 Mysql 中的两张表：

表 DBS，记录了数据库信息：

表 TBLS，记录了表信息：

6. 使用元数据服务的方式访问 Hive
在 hive-site.xml 文件中添加如下配置信息

<!-- 指定存储元数据要连接的地址 -->
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop102:9083</value>
</property>
1
2
3
4
5
启动 metastore

# 前台启动
$ hive --service metastore
2021-11-23 16:06:10: Starting Hive Metastore Server

# 后台启动
$ nohup hive --service metastore 2>&1 &
1
2
3
4
5
6
注意：启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作

打开新窗口，启动 hive

$ hive
1
7. 使用 JDBC 方式访问 Hive
在 hive-site.xml 文件中添加如下配置信息
<!-- 指定 hiveserver2 连接的 host -->
<property>
<name>hive.server2.thrift.bind.host</name>
<value>hadoop102</value>
</property>
<!-- 指定 hiveserver2 连接的端口号 -->
<property>
<name>hive.server2.thrift.port</name>
<value>10000</value>
</property>
1
2
3
4
5
6
7
8
9
10
启动 hiveserver2（需要多等待一会）

# 前台启动
hive --service hiveserver2

# 后台启动
nohup hive --service hiveserver2 2>&1 &
1
2
3
4
5
启动时，可以查看 /tmp/用户名/hive.log 中的日志，程序首先会查找 Tez 配置，并会报错：

这时候不用管这个报错，在等待 60s 后，程序便可以正常启动成功

另一个窗口，启动 beeline 客户端

beeline -u jdbc:hive2://hadoop102:10000 -n root
1
报错：

解决方法：
打开 hadoop 的 core-site.xml 文件，在其中添加如下配置（其中 root 换成对应的用户名）：
<!-- 其中root换成自己的用户名 -->
<property>
<name>hadoop.proxyuser.root.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.root.groups</name>
<value>*</value>
</property>
1
2
3
4
5
6
7
8
9
修改完成后重启 hadoop
启动成功



编写脚本来管理服务的启动和关闭：https://gitee.com/xinboss/bigdata/blob/master/Hive/sh/hiveservices.sh

8. Hive 常用命令
1）常用交互命令
$ hive -help
usage: hive
-d,--define <key=value> Variable substitution to apply to Hive
commands. e.g. -d A=B or --define A=B
--database <databasename> Specify the database to use
-e <quoted-query-string> SQL from command line
-f <filename> SQL from files
-H,--help Print help information
--hiveconf <property=value> Use value for given property
--hivevar <key=value> Variable substitution to apply to Hive
commands. e.g. --hivevar A=B
-i <filename> Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the
console)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-e：不进入 hive 的交互窗口执行 sql 语句

$ hive -e "select id from student;"
1
-f 执行脚本中 sql 语句

echo "select * from test;" > test.sql
cat test.sql
hive -f test.sql
1
2
3
2）其他命令
在 hive cli 命令窗口中如何查看 hdfs 文件系统

hive> dfs -ls /;
1
查看在 hive 中输入的所有历史命令

# 历史命令存放在当前用户家目录的 .hivehistory 文件中
cat ~/.hivehistory
1
2
9. Hive 常见属性配置
1）Hive 运行日志信息配置
Hive 的 log 默认存放在 /tmp/atguigu/hive.log 目录下(当前用户名下)

修改 hive 的 log 存放日志到 /usr/local/hive-3.1.2/logs

cd $HIVE_HOME/conf
cp hive-log4j2.properties.template hive-log4j2.properties
vim hive-log4j2.properties
# 修改配置
property.hive.log.dir = /usr/local/hive-3.1.2/logs
1
2
3
4
5
2）打印 当前库 和 表头
在 hive-site.xml 中加入如下两个配置:

<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
1
2
3
4
5
6
7
8
3）参数配置方式
a. 查看当前所有的配置信息
默认的配置信息存放在 conf/hive-default.xml.template 中，也可以在 hive cli 中使用 set 查看所有参数：

hive (default)> set;
1
b. 参数的配置三种方式（优先级从高到低）
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。注意：仅对本次 hive 启动有效

$ hive -hiveconf mapred.reduce.tasks=10;

# 查看参数
hive (default)> set mapred.reduce.tasks;
1
2
3
4
SET 声明参数
可以在 HQL 中使用 SET 关键字设定参数，注意：仅对本次 hive 启动有效

hive (default)> set mapred.reduce.tasks=100;
1
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 < SET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。

三、Hive数据类型
1. 基本数据类型
Hive 数据类型 Java 数据类型 长度
TINYINT byte 1byte 有符号整数
SMALINT short 2byte 有符号整数
INT int 4byte 有符号整数
BIGINT long 8byte 有符号整数
BOOLEAN boolean 布尔类型，true 或者 false
FLOAT float 单精度浮点数
DOUBLE double 双精度浮点数
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。
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。

2. 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 “.” 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()
例如 struct<street:string, city:string>
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()
例如 map<string, int>
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()
例如 array<string>
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"
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
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
1
2
注意：MAP，STRUCT 和 ARRAY 里的元素间关系都可以用同一个字符表示，这里用 “_”。

Hive 上创建测试表 test

create table test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
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
1
2
3
4
5
6
7
8
9
10
导入文本数据到测试表

load data local inpath '/root/tmp/test.txt' into table test;
1
访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式

hive (default)> select * from test;
test.name test.friends test.children test.address
songsong ["bingbing","lili"] {"xiao song":18,"xiaoxiao song":19} {"street":"hui long guan","city":"beijing"}
yangyang ["caicai","susu"] {"xiao yang":18,"xiaoxiao yang":19} {"street":"chao yang","city":"beijing"}

hive (default)> select friends[1], children['xiao song'], address.city from test;
_c0 _c1 city
lili 18 beijing
susu NULL beijing
1
2
3
4
5
6
7
8
9
3. 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
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。

hive (default)> select '1'+2, cast('1'as int) + 2;
_c0 _c1
3.0 3
1
2
3
四、DDL数据定义
1. 创建数据库
CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];
1
2
3
4
例子：

# 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';
1
2
3
4
5
6
7
8
2. 查询数据库
1）显示数据库
显示数据库

show databases;
1
过滤显示查询的数据库

show databases like 'db_hive*';
1
2）查看数据库详情
显示数据库信息

desc database db_hive;
1
显示数据库详细信息，extended

desc database extended db_hive;
1
3）切换当前数据库
use db_hive;
1
3. 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。

hive (default)> alter database db_hive set dbproperties('createtime'='20211125');

# 查看修改结果
hive (default)> desc database extended db_hive;
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db root USER {createtime=20211125}
1
2
3
4
5
6
4. 删除数据库
删除数据库时，hdfs 目录和 mysql 元数据都会删除

# 删除空数据库
drop database db_hive2;

# 采用 if exists 判断数据库是否存在
drop database if exists db_hive2;

# 数据库不为空，可以采用 cascade 命令，强制删除
drop database db_hive cascade;
1
2
3
4
5
6
7
8
5. 创建表
创建表时，也就是在 hdfs 中创建了一个目录，目录下的所有文件中的数据都属于这个表，都可以通过这个表查询出来。这些文件中数据的数据分隔符必须遵循相同的规则，才能被 hive 顺利读取

1）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]
[TBLPROPERTIES (property_name=property_value, ...)]
[AS select_statement]
1
2
3
4
5
6
7
8
9
10
11
CREATE TABLE table_name：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，在建表的同时可以指定一个指向实际数据的路径（LOCATION），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，对桶中的一个或多个列另外排序

ROW FORMAT：

ROW FORMAT DELIMITED [FIELDS TERMINATED BY char]
[COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char]
[LINES TERMINATED BY char]
或者
ROW FORMAT SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]
1
2
3
4
5
6
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， hive 使用 Serde 进行行对象的序列与反序列化。

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。

AS：后跟查询语句，根据查询结果创建表。

LIKE：允许用户复制现有的表结构，但是不复制数据。

2）管理表（内部表）与外部表
管理表：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（默认 /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。
外部表：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。
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

查看表类型：

hive (default)> desc formatted test;
Table Type: MANAGED_TABLE
1
2
3）管理表与外部表的互相转换
# 修改内部表 test 为外部表
alter table test set tblproperties('EXTERNAL'='TRUE');

# 修改外部表 test 为内部表
alter table test set tblproperties('EXTERNAL'='FALSE');
1
2
3
4
5
注意：('EXTERNAL'='TRUE') 和 ('EXTERNAL'='FALSE') 为固定写法，区分大小写

6. 修改表
1）重命名表
ALTER TABLE table_name RENAME TO new_table_name
1
2）更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name
column_type [COMMENT col_comment] [FIRST|AFTER column_name]
1
2
3）增加和替换列
修改只是修改元数据信息，hdfs 中存储的数据不会被修改

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
1
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。
4）删除表
内部表中数据和元数据都会被删除，外部表只有元数据会被删除

drop table dept;
1
五、DML数据操作
1. 装载数据（Load）
load data [local] inpath '数据的 path' [overwrite] into table student [partition (partcol1=val1,...)];
1
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
// 从本地加载数据到 hdfs，相当于 -put 操作
load data local inpath '/opt/module/hive/datas/student.txt' into table default.student;

// 将 hdfs 目录下的文件移动到 student 表所在的目录，相当于 -mv 操作
load data inpath '/student.txt' into table default.student;
1
2
3
4
5
2. 插入数据（Insert）
insert into：以追加数据的方式插入到表或分区，原有数据不会删除
insert overwrite：会覆盖表中已存在的数据
注意：insert 不支持插入部分字段

# 基本插入
insert into table student_par values(1, "zhangsan"),(2, "lisi");

# 根据单张表查询结果进行插入
insert overwrite table student_par
select id, name from student where month='201709';

# 多表(多分区)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';
1
2
3
4
5
6
7
8
9
10
11
3. 创建表时加载数据（As Select、Location）
# 根据查询结果创建表(查询的结果会添加到新创建的表中)
create table if not exists student3 as select id, name from student;

# 先将数据上传到相应目录，创建表时通过 Location 来指定路径
hive> dfs -put /opt/module/datas/student.txt /student;
hive> create external table if not exists student5(id int, name string)
row format delimited fields terminated by '\t'
location '/student;
1
2
3
4
5
6
7
8
4. 导出数据
Insert 导出

# 将查询的结果导出到本地
insert overwrite local directory '/opt/module/hive/data/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/hive/data/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;
1
2
3
4
5
6
7
8
9
10
11
12
13
Hadoop 命令导出到本地

dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;
1
Hive Shell 命令导出
语法：hive -f/-e 执行语句或者脚本 > file

hive -e 'select * from default.student;' > /opt/module/hive/data/export/student4.txt;
1
5. Import / Export 导入导出
export 和 import 主要用于两个 Hadoop 平台集群之间 Hive 表迁移。

# 导出表到 /test 路径上（hdfs），导出数据中包含namenode的元数据
export table test to "/test";

# 将上面导出的目录导入到新表中
import table test2 from "/test";
1
2
3
4
5
6. 清空表（Truncate）
注意：Truncate 只能删除管理表，不能删除外部表中数据

TRUNCATE TABLE table_name;
1
六、查询
官方文档：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select

查询语句语法:

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ORDER BY col_list]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY col_list]
]
[LIMIT number]
1
2
3
4
5
6
7
8
9
数据准备：https://gitee.com/xinboss/bigdata/tree/master/Hive/data

1. 列别名
# 给列起别名，AS 可有可无
select ename AS name, deptno dn from emp;
1
2
2. 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
3. 常用函数
# 求总行数(count)
select count(*) cnt from emp;

# 工资的最大值(max)
select max(sal) max_sal from emp;

# 工资的最小值(min)
select min(sal) min_sal from emp;

# 工资的总和(sum)
select sum(sal) sum_sal from emp;

# 工资的平均值(avg)
select avg(sal) avg_sal from emp;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
4. 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。

select * from emp limit 5;
1
5. Where 语句
使用 WHERE 子句，将不满足条件的行过滤掉

# 查询出薪水大于 1000 的所有员工
select * from emp where sal > 1000;
1
2
注意：where 子句中不能使用字段别名。

6. 比较运算符（Between/In/ Is Null）
下面表中描述了谓词操作符，这些操作符同样可以用于 JOIN...ON 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，则返回 TRUE，如果一边为 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’
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。
7. 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：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。

# 查找名字以 A 开头的员工信息
select * from emp where ename LIKE 'A%';
# 查找名字中第二个字母为 A 的员工信息
select * from emp where ename LIKE '_A%';
# 查找名字中带有 A 的员工信息
select * from emp where ename RLIKE '[A]';
1
2
3
4
5
6
8. 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
# 查询薪水大于 1000，部门是 30
select * from emp where sal>1000 and deptno=30;
# 查询薪水大于 1000，或者部门是 30
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
select * from emp where deptno not IN(30, 20);
1
2
3
4
5
6
9. 分组
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。

# 查询 emp 每个部门中每个岗位的最高薪水
select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;
1
2
2）Having 语句
having 与 where 不同点：

where 后面不能写分组函数，而 having 后面可以使用分组函数。
having 只用于 group by 分组统计语句。
# 查询平均薪水大于 2000 的部门
select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;
1
2
3）GROUPING SETS
官方文档：https://cwiki.apache.org/confluence/display/Hive/Enhanced+Aggregation%2C+Cube%2C+Grouping+and+Rollup

在一个GROUP BY 查询中，根据不同的维度组合进行聚合，等价于将不同维度的 GROUP BY 结果进行 UNION ALL 操作。GROUPING SETS 就是一种将多个 GROUP BY 逻辑 UNION 写在一个 HIVE SQL 语句中的便利写法。GROUPING SETS 会把在单个 GROUP BY 逻辑中没有参与 GROUP BY 的那一列置为 NULL 值，这样聚合出来的结果，未被 GROUP BY 的列将显示为 NULL。

select deptno, job, count(*) from emp group by deptno, job grouping sets ((deptno, job), deptno, job, ());

# 等价于：
select deptno, job, count(*) from emp group by deptno, job
union
select deptno, null, count(*) from emp group by deptno
union
select null, job, count(*) from emp group by job
union
select null, null, count(*) from emp;
1
2
3
4
5
6
7
8
9
10
部分结果：

deptno job _c2
NULL NULL 14
10 NULL 3
20 NULL 5
30 NULL 6
NULL ANALYST 2
20 ANALYST 2
NULL CLERK 4
10 CLERK 1
1
2
3
4
5
6
7
8
9
10. Join 语句
Hive 支持通常的 SQL JOIN 语句。

1）常用JOIN


全连接（图中最后一行）的另一种写法：

# union 去重; union all 不去重
SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key;

SELECT <select_list> FROM TableA A LEFT JOIN TableB B ON A.Key = B.Key WHERE B.Key IS NULL
UNION
SELECT <select_list> FROM TableA A RIGHT JOIN TableB B ON A.Key = B.Key WHERE A.Key IS NULL;
1
2
3
4
5
6
7
8
大多数情况下，Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。当对 3 个或者更多表进行 join 连接时，如果每个 on 子句都使用相同的连接键的 话，那么只会产生一个 MapReduce job。

2）笛卡尔积
笛卡尔集就是 A 表每一行和 B 表每一行进行连接，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
例如：

# 省略连接条件
select empno, dname from emp, dept;
1
2
11. 排序
1）全局排序（Order By）
Order By：全局排序，只有一个 Reducer

ASC(ascend)：升序(默认)
DESC(descend)：降序
# 查询员工信息按工资升序排列
select * from emp order by sal asc;

# 部门升序，工资降序
select ename, deptno, sal from emp order by deptno, sal desc;
1
2
3
4
5
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 reducer 产生一个排序文件。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;
# 查看设置 reduce 个数
set mapreduce.job.reduces;
# 根据部门编号降序查看员工信息
select deptno from emp sort by deptno desc;
# 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 '/tmp/sortby-result'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from emp sort by deptno desc;
1
2
3
4
5
6
7
8
9
10
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 MR 中 partition (自定义分区)，进行分区，结合 sort by 使用。

注意：

distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，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。
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。
# 设置 reduce 个数
set mapreduce.job.reduces=4;

# 按分区进行查询
insert overwrite local directory '/tmp/distribute-result'
select deptno,empno from emp distribute by deptno sort by empno desc;
1
2
3
4
5
6
上例中的分区计算：
Int 数据类型的 hash 码为 Int 数据本身，上面的例子中，分区数为 4，所以

部门编号为 20 的数据会在第 0 个分区（20 % 4 = 0）
部门编号为 10 和 30 的数据会在第 2 个分区（10 % 4 = 2，30 % 4 = 2）
4）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。

免责申明：

本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！

《数据治理行业实践白皮书》下载地址：https://fs80.cn/4w2atu

《数栈V6.0产品白皮书》下载地址：https://fs80.cn/cw0iw1

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack