精华内容
下载资源
问答
  • 点击上方“蓝字”,轻松关注今天来小结一下工作中经常会使用到的一些Hive函数。关于Hive函数的总结,网上早有十分全面的版本。参考:https://blog.csdn.n...
        

    点击上方“蓝字”,轻松关注

    640?wx_fmt=gif

    今天来小结一下工作中经常会使用到的一些Hive函数。关于Hive函数的总结,网上早有十分全面的版本。参考:https://blog.csdn.net/doveyoung8/article/details/80014442。本文主要从最常用和实用的角度出发,说明几个使用频率较高的函数,更注重使用函数组合来解决实际问题而不局限于单个函数的使用。所有数据都是虚构,代码均在本地的Hive环境上都通过测试。本文代码较多,需要各位看官耐心学习,可以收藏备查,欢迎补充和讨论。由于公众号对代码的支持不太友好,您可以在后台回复“hive函数”获取本文的PDF版本,方便阅读。

    1.json字符串处理:get_json_objectlateral viewexplodesubstrjson_tuple

    先简要说明下几个函数的用法:

    语法: get_json_object(string json_string, string path)返回值: string说明:解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效,那么返回NULL。

    语法: explode(ARRAY),经常和lateral view一起使用返回值: 多行说明: 将数组中的元素拆分成多行显示

    语法: substr(string A, int start, int len),substring(string A, int start, int len)返回值: string说明:返回字符串 A 从 start 位置开始,长度为 len 的字符串

    语法: json_tuple(string json_string, col1, col2, …) ,经常和lateral view一起使用返回值: string说明:同时解析多个json字符串中的多个字段

    然后我们看实例:

    --我们虚构的数据,jsondata.txt
    1    {"store":{"fruit":[{"weight":8,"type":"apple"}, {"weight":9,"type":"pear"}], "bicycle":{"price":19.95,"color":"red"}}, "email":"amy@only_for_json_udf_test.net", "owner":"amy"}
    2    {"store":{"fruit":[{"weight":8.1,"type":"apple"}, {"weight":9.2,"type":"pear"}], "bicycle":{"price":20.01,"color":"blue"}}, "email":"abc@example.com", "owner":"bob"}
    
    hive> create table json_data(id int, data string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'jsondata.txt' into table json_data;
    
    • 查询单层值

    hive> select id, get_json_object(data, '$.owner') from json_data;
    1    amy
    2    bob
    
    • 查询多层值1

    #注意bicycle子串的格式同样是json格式
    hive> select id, get_json_object(data, '$.store.bicycle.price') from json_data;
    1    19.95
    2    20.01
    
    • 查询多层值2

    #注意fruit子串的的格式是数组(带有方括号),不是标准的json格式,下面语句取出fruit的值
    hive> select id, get_json_object(data, '$.store.fruit') from json_data;
    1    [{"weight":8,"type":"apple"},{"weight":9,"type":"pear"}]
    2    [{"weight":8.1,"type":"apple"},{"weight":9.2,"type":"pear"}]
    
    
    #可以使用索引访问数据里的值,如得到第一个fruit的数据,结果是一个json格式的
    hive> select id, get_json_object(data, '$.store.fruit[0]') from json_data;
    1    {"weight":8,"type":"apple"}
    2    {"weight":8.1,"type":"apple"}
    
    #在上面语句的基础上,可以获得weight和type值。
    hive> select id, get_json_object(data, '$.store.fruit[0].weight') from json_data;
    1    8
    2    8.1
    hive> select id, get_json_object(data, '$.store.fruit[1].weight') from json_data;
    1    9
    2    9.2
    
    • 查询多层值3

      如何同时获得weight和type值,有下面两种方式,效果一致。

    • 方法1:和上一节一样,用数组方式

    hive> select id, get_json_object(data, '$.store.fruit[0].weight'), get_json_object(data, '$.store.fruit[0].type')
        > from json_data;
      1    8   apple
      2    8.1 apple
    
    • 方法2:用substr将数组的方括号截掉,转换为json

    hive> select id,
        > get_json_object(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '$.weight'),
        > get_json_object(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '$.type')
        > from json_data;
    1    8   apple
    2    8.1 apple
    
    • 查询多层值4

      按照上面的两种方式,我们取到了fruit数组中第一个数据。但第二个数据,只能得到下面的效果(你可以试试看):

      1    8   apple   9   pear
      2    8.1 apple   9.2 pear
      

      能不能将相同的数排在一列,做出下面这样的效果,答案是肯定的。

      1    8   apple
      1    9   pear
      2    8.1 apple
      2    9.2 pear
      

      思路是:取到fruit之后,substr截掉前后的方括号,使用split按照'},'对其分割,之后用explode行转列,再补全成完整的json,然后按照处理json的方式取数。步骤比较复杂,我们分三步看。

      #步骤1:截掉方括号,并用'},'分割,注意此时一三行不是完整的json,缺了右括号
      hive> select id, fruit
          > from json_data
          > lateral view explode(split(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '},')) t as fruit;
      1    {"weight":8,"type":"apple"
      1    {"weight":9,"type":"pear"}
      2    {"weight":8.1,"type":"apple"
      2    {"weight":9.2,"type":"pear"}
    
      #步骤2:case when 补全json,可以看到一三行结果是json格式了
      hive> select a.id, case when substr(a.fruit, length(fruit), 1) = "}" then a.fruit else concat(a.fruit, '}') end as fruit_info
          > from
          > (
          >     select id, fruit
          >     from json_data
          >     lateral view explode(split(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '},')) t as fruit
          > ) a;
      1    {"weight":8,"type":"apple"}
      1    {"weight":9,"type":"pear"}
      2    {"weight":8.1,"type":"apple"}
      2    {"weight":9.2,"type":"pear"}
    
      #步骤3:提取weight,type数据
      hive> select b.id, get_json_object(b.fruit_info, '$.weight'), get_json_object(b.fruit_info, '$.type')
          > from
          > (
          >     select a.id, case when substr(a.fruit, length(fruit), 1) = "}" then a.fruit else concat(a.fruit, '}') end as fruit_info
          >     from
          >     (
          >         select id, fruit
          >         from json_data
          >         lateral view explode(split(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '},')) t as fruit
          >     ) a
          > ) b;
      1    8   apple
      1    9   pear
      2    8.1 apple
      2    9.2 pear
    

    上面的步骤3,由于要获取两个字段,可以使用json_tuple函数代替,与later view连用,写法如下:

      hive> select b.id, c.weight, c.type
          > from
          > (
          >     select a.id, case when substr(a.fruit, length(fruit), 1) = "}" then a.fruit else concat(a.fruit, '}') end as fruit_info
          >     from
          >     (
          >         select id, fruit
          >         from json_data
          >         lateral view explode(split(substr(get_json_object(data, '$.store.fruit'), 2, length(get_json_object(data, '$.store.fruit')) - 2), '},')) t as fruit
          >     ) a
          > ) b
          > lateral view json_tuple(b.fruit_info,'weight', 'type') c as weight, type;
      1    8   apple
      1    9   pear
      2    8.1 apple
      2    9.2 pear
    

    2.parse_urlregexp_replaceregexp_extract

    语法: parse_url(string urlString, string partToExtract , string keyToExtract)返回值: string说明:返回 URL 中指定的部分。 partToExtract 的有效值为: HOST, PATH, QUERY, REF,

    语法: regexp_replace(string A, string B, string C)返回值: string说明:将字符串 A 中的符合正则表达式 B 的部分替换为 C。

    语法: regexp_extract(string subject, string pattern, int index)返回值: string说明:将字符串 subject 按照 pattern 正则表达式的规则拆分,返回 index 指定的字符。

    下面看实例:

    --我们虚构的数据,urldata.txt
    1    https://ty.facebook.com/dwd/social?type=1&query=abc&id=1234
    2    http://qq.tencent.com/dwd/category?type=2&query=def&id=5678#title1
    
    hive> create table url_data(id int, data string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'urldata.txt' into table url_data;
    
    #获取url协议
    hive> select id, parse_url(data, 'PROTOCOL') from url_data;
    1    https
    2    http
    
    #获取主机名
    hive> select id, parse_url(data, 'HOST') from url_data;
    1    ty.facebook.com
    2    qq.tencent.com
    
    #获取path
    hive> select id, parse_url(data, 'PATH') from url_data;
    1    /dwd/social
    2    /dwd/category
    
    #获取所有参数的序列
    hive> select id, parse_url(data, 'QUERY') from url_data;
    1    type=1&query=abc&id=1234
    2    type=2&query=def&id=5678
    
    #获取完整文件路径
    hive> select id, parse_url(data, 'FILE') from url_data;
    1    /dwd/social?type=1&query=abc&id=1234
    2    /dwd/category?type=2&query=def&id=5678
    
    #获取REF,没有的返回NULL值
    hive> select id, parse_url(data, 'REF') from url_data;
    1    NULL
    2    title1
    

    插曲:获取的参数序列是键值对的形式,能否将其拆分开呢?可以使用str_to_map函数.

    语法: str_to_map(text, delimiter1, delimiter2)

    hive> select id, parse_url(data, 'PROTOCOL'), parse_url(data, 'HOST'), parse_url(data, 'PATH'), str_to_map(parse_url(data, 'QUERY'), '&', '=')['type'],
        > str_to_map(parse_url(data, 'QUERY'), '&', '=')['query'], str_to_map(parse_url(data, 'QUERY'), '&', '=')['id']
        >  from url_data;
    1    https   ty.facebook.com /dwd/social     1   abc 1234
    2    http    qq.tencent.com  /dwd/category   2   def 5678
    

    如果不使用parse_url,能否对相应的url子串进行截取,可以借助于regexp_extractregexp_replace,不过可能调正则表达式需要用点功夫。

    hive> select id, regexp_replace(data, 'dwd.+', "")
        > from url_data;
    1    https://ty.facebook.com/
    2    http://qq.tencent.com/
    
    hive> select id, regexp_extract(data, 'query=(.*)', 1)
        > from url_data;
    1    abc&id=1234
    2    def&id=5678#title1
    
    hive> select id, regexp_extract(data, 'query=(.*)&', 1)
        > from url_data;
    1    abc
    2    def
    

    3.collect_setcollect_listconcatconcat_ws

    语法: collect_set (col)

    语法: collect_list (col)

    语法: concat(string A, string B…)

    语法: concat_ws(string SEP, string A, string B…)

    --虚构的数据,fruitdata.txt
    1001    apple
    1001    pear
    1001    banana
    1001    pear
    1002    blueberry
    1002    bayberry
    
    hive> create table fruit_data(id int, data string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'fruitdata.txt' into table fruit_data;
    
    hive> select id, collect_set(data)
        > from fruit_data
        > group by id;
    1001    ["apple","pear","banana"]
    1002    ["blueberry","bayberry"]
    
    hive> select id, collect_list(data)
        > from fruit_data
        > group by id;
    1001    ["apple","pear","banana","pear"]
    1002    ["blueberry","bayberry"]
    
    
    	
    --虚构的数据,userdata.txt。想想一个用户的粉丝在各个地域的分布情况
    1001    area1   5%
    1001    area2   20%
    1001    area3   25%
    1001    area4   50%
    2001    area1   20%
    2001    area2   50%
    2001    area3   30%
    
    hive> create table user_data(id int, area string, data string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'userdata.txt' into table user_data;
    
    #按照每个用户一行进行排列
    hive> select id, collect_set(concat_ws(':', area, data))
        > from user_data
        > group by id;
    1001    ["area1:5%","area2:20%","area3:25%","area4:50%"]
    2001    ["area1:20%","area2:50%","area3:30%"]
    
    #下面使用concat能得到同样效果
    hive> select id, collect_set(concat(area, ':', data))
        > from user_data
        > group by id;
    1001    ["area1:5%","area2:20%","area3:25%","area4:50%"]
    2001    ["area1:20%","area2:50%","area3:30%"]
    
    #我们可以看到结果中,collect_set函数为我们加上了中括号和双引号,能不能去掉它们,我们来看下面的效果:
    hive> select id, concat_ws(',', collect_set(concat( area, ':', data)))
        > from user_data
        > group by id;
    1001    area1:5%,area2:20%,area3:25%,area4:50%
    2001    area1:20%,area2:50%,area3:30%
    
    #如果想变成map的格式,在此基础上可以再调用一下str_to_map即可
    hive> select id, str_to_map(concat_ws(',', collect_set(concat( area, ':', data))), ",", ":")
        > from user_data
        > group by id;
    1001    {"area1":"5%","area2":"20%","area3":"25%","area4":"50%"}
    2001    {"area1":"20%","area2":"50%","area3":"30%"}
    

    4.datedifffrom_unixtimeunix_timestampto_date

    语法: datediff(string enddate, string startdate)

    语法: from_unixtime(bigint unixtime[, string format])

    语法: unix_timestamp(string date[, string format])

    语法: to_date(string timestamp)

    下面看实例:

    #虚构的数据datedata.txt,一共有10列,后9列是各种日期。
    1    2019-02-03  20190203    2019-02-05  20190205    2019-03-03 10:38:24 2019-03-23 10:36:54 20190323 10:36:54   1551763940  1551763940267
    2    2019-02-08  20190208    2019-02-18  20190218    2019-03-19 10:32:04 2019-03-31 10:39:15 20190331 10:39:15   1552632321  1551763940654
    
    hive> create table date_data(id int, d1 string, d2 string, d3 string, d4 string, d5 string, d6 string, d7 string, d8 string, d9 string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'datedata.txt' into table date_data;
    

    先看datediff的用法:

    #yyyy-MM-dd的日期差
    hive> select id, datediff(d3, d1)from date_data;
    1    2
    2    10
    hive> select id, datediff(to_date(d3), to_date(d1)) from date_data;
    1    2
    2    10
    
    #yyyyMMdd的日期差
    hive> select id, datediff(d4, d2) from date_data;
    1    NULL
    2    NULL
    #上面的写法不行,我们需要将日期转换为yyyy-MM-dd格式,使用截取拼接的套路进行
    hive> select datediff(concat_ws('-', substr(d4, 1, 4), substr(d4, 5, 2), substr(d4, 7, 2)), concat_ws('-', substr(d2, 1, 4), substr(d2, 5, 2), substr(d2, 7, 2)))
        > from date_data;
    2
    10
    
    #yyyy-MM-dd HH:mm:ss与yyyy-MM-dd的日期差
    hive> select datediff(d5, d1) from date_data;
    28
    39
    hive> select datediff(to_date(d5), d1) from date_data;
    28
    39
    
    #yyyy-MM-dd HH:mm:ss与yyyy-MM-dd HH:mm:ss的日期差
    hive> select datediff(d6, d5) from date_data;
    20
    12
    hive> select datediff(to_date(d6), d5) from date_data;
    20
    12
    

    再来看unix_timestamp的用法:

    #yyyy-MM-dd HH:mm:ss转换为时间戳
    hive> select unix_timestamp(d5) from date_data;
    1551580704
    1552962724
    hive> select unix_timestamp(d5, 'yyyy-MM-dd HH:mm:ss') from date_data;
    1551580704
    1552962724
    
    #yyyyMMdd HH:mm:ss转换为时间戳
    hive> select unix_timestamp(d7, 'yyyyMMdd HH:mm:ss') from date_data;
    1553308614
    1553999955
    

    最后看from_unixtime的用法:

    #由于我们的表是string格式的,在转换之前需要转为bigint型
    hive> select from_unixtime(cast(d8 as bigint)) from date_data;
    2019-03-05 13:32:20
    2019-03-15 14:45:21
    
    hive> select from_unixtime(cast(d8 as bigint), 'yyyy-MM-dd HH:mm:ss') from date_data;
    2019-03-05 13:32:20
    2019-03-15 14:45:21
    
    hive> select from_unixtime(cast(d8 as bigint), 'yyyyMMdd HH:mm:ss') from date_data;
    20190305 13:32:20
    20190315 14:45:21
    
    hive> select from_unixtime(cast(d8 as bigint), 'yyyy-MM-dd') from date_data;
    2019-03-05
    2019-03-15
    
    hive> select from_unixtime(cast(d8 as bigint), 'yyyyMMdd') from date_data;
    20190305
    20190315
    

    我们经常会在业务中遇到13位的时间戳,10位的时间戳是精确到秒的,13位则是精确到毫秒的。这时只需除以1000并转化为整数即可。

    hive> select from_unixtime(cast(d9/1000 as bigint)) from date_data;
    2019-03-05 13:32:20
    2019-03-05 13:32:20
    
    hive> select from_unixtime(cast(d9/1000 as bigint), 'yyyy-MM-dd HH:mm:ss') from date_data;
    2019-03-05 13:32:20
    2019-03-05 13:32:20
    
    hive> select from_unixtime(cast(d9/1000 as bigint), 'yyyyMMdd HH:mm:ss') from date_data;
    20190305 13:32:20
    20190305 13:32:20
    
    hive> select from_unixtime(cast(d9/1000 as bigint), 'yyyy-MM-dd') from date_data;
    2019-03-05
    2019-03-05
    
    hive> select from_unixtime(cast(d9/1000 as bigint), 'yyyyMMdd') from date_data;
    20190305
    20190305
    

    5.coalesce

    语法: COALESCE(T v1, T v2, …)

    1    https://ty.facebook.com/dwd/social?type=1&query=abc&id=1234&task_id=1111
    2    https://ty.facebook.com/dwd/social?type=1&query=abc&id=1234&taskid=2222
    
    hive> create table exp_data(id int, data string) row format delimited fields terminated by '\t';
    hive> load data local inpath 'expdata.txt' into table exp_data;
    

    如果我们想提取出1111和2222这两个值,但一个是task_id,一个是taskid。如果直接用str_to_map,直接写的话,结果总会有一个空值:

    hive> select str_to_map(data, '&', '=')['taskid'], str_to_map(data, '&', '=')['task_id']
        > from exp_data;
    NULL    1111
    2222    NULL
    

    这个时候就可以用到coalesce

    hive> select coalesce(str_to_map(data, '&', '=')['taskid'], str_to_map(data, '&', '=')['task_id'], "")
        > from exp_data;
    1111
    2222
    

    总结

    以上我们总结了一些比较常用的hive函数,重点在于学习这些函数组合使用的情况,经常出现在工作中需要进行数据清洗或者格式转化的时候。例子都不是很复杂,有条件大家可以尝试实践一下,希望对你有用,如果感觉公众号代码阅读起来费劲,可以在后台回复“hive函数”获取本文的pdf版本。当然也有很多函数都没有涉及到,比如工作中也经常会用到窗口函数,后续如果有机会我们可以专门进行学习~

    640?wx_fmt=png

    640?wx_fmt=jpeg

    以清净心看世界;

    用欢喜心过生活。

    超哥的杂货铺,你值得拥有~

    长按二维码关注我们

    展开全文
  • 一、Hive 基本使用--最常用的入门语句 ①启动外置 MySQL 版本hive [hdp@hdp02 ~]$ service mysql start #确保mysql服务开启 Starting MySQL SUCCESS! [hdp@hdp02 ~]$ jps #确保集群开启 ... [hdp@hdp02 ~]$ hive...

    一、Hive 基本使用--最常用的入门语句

    ① 启动外置 MySQL 版本hive

    [hdp@hdp02 ~]$ service mysql start  #确保mysql服务开启
    Starting MySQL SUCCESS! 
    [hdp@hdp02 ~]$ start-dfs.sh
    [hdp@hdp02 ~]$ start-yarn.sh
    [hdp@hdp02 ~]$ jps    #确保集群开启
    ...
    [hdp@hdp02 ~]$ hive    #使用hive的cli命令窗口连接
    hive> 
    
    #或者使用hive的jdbc命令窗口连接
    [hdp@hdp02 ~]$ nohup hiveserver2 >/home/hdp/hiveserver.log 2>/home/hdp/hiveserver.err &
    [1] 14941
    [hdp@hdp02 ~]$ jps
    14941 RunJar
    ...
    [hdp@hdp02 ~]$ beeline
    ...
    beeline> !connect jdbc:hive2://hdp02:10000
    ...
    Enter username for jdbc:hive2://hdp02:10000: hdp
    Enter password for jdbc:hive2://hdp02:10000: ******
    ...
    0: jdbc:hive2://hdp02:10000> 

    ②  创建库:create database if not exists demodb01;  (强制删除数据库:drop database demodb01 cascade;)

    ③ 查看库:show databases;

    ④ 切换数据库:use demodb01;

    0: jdbc:hive2://hdp02:10000> create database if not exists demodb01;
    No rows affected (1.704 seconds)
    0: jdbc:hive2://hdp02:10000> show databases;
    +----------------+
    | database_name  |
    +----------------+
    | default        |
    | demo01         |
    | demodb01       |
    +----------------+
    3 rows selected (0.483 seconds)
    0: jdbc:hive2://hdp02:10000> use demodb01;
    No rows affected (0.149 seconds)

    ⑤ 创建表

           create table if not exists demo01(id string, name string);

    或 create table demo01(id int, name string) row format delimited fields terminated by '\t';

    或 create table demo01(id int, name string) row format delimited fields terminated by ',' lines terminated by '\n';

    ⑥ 查看表列表:show tables;

    ⑦ 查看表的详细信息:desc formatted demo01;

    ⑧ 导入数据:

    • insert into ... values...  //插入数据,常用于测试

           hive> insert into table demo01 values (1,'zhangsan'), (2,'lisi'), (3,'mazi');

    • create ... as select ...  //将查询结存入新的表(内部表/外部表/视图)
    1. hive> create table demo01_1 as select name,dates, sum(hz) as s_hz from demo01 group by name,dates;

    • hadoop fs ...   #(-copyFromLocal / -put /-copy ... 常用的导入数据)

           [hdp@hdp02 ~]$ hadoop fs -copyFromLocal /home/hdp/demo01.txt /user/hive/warehouse/demodb01.db/demo01;

    • load data ...  //常用的导入数据

            --a) hive> load data inpath '/user.txt' into table demo02;   //导入 HDFS的 数据 

    [hdp@hdp02 ~]$ vi user.txt
    101  feiji 
    102  dapao 
    103  huojian 
    104  lunchuan 
    105  tanke 
    #保存并退出,进入hive
    [hdp@hdp02 ~]$ hdfs dfs -moveFromLocal /home/hdp/user.txt /user.txt
    0: jdbc:hive2://hdp02:10000> create table demo02 (id int,name string)
    . . . . . . . . . . . . . .> row format delimited fields terminated by " ";
    No rows affected (0.334 seconds)
    0: jdbc:hive2://hdp02:10000> load data inpath '/user.txt' into table demo02;
    No rows affected (0.744 seconds)
    0: jdbc:hive2://hdp02:10000> select * from demo02;
    +------------+--------------+
    | demo02.id  | demo02.name  |
    +------------+--------------+
    | 101        |  feiji       |
    | 102        |  dapao       |
    | 103        |  huojian     |
    | 104        |  lunchuan    |
    | 105        |  tanke       |
    +------------+--------------+
    5 rows selected (0.498 seconds)
    0: jdbc:hive2://hdp02:10000> 

            --b) hive> load data local inpath '/home/hdp/user2.txt' into table demo02;  //导入本地数据

    [hdp@hdp02 ~]$ vi user2.txt
    106 jj
    107 mm
    108 gg
    109 kk
    #保存并退出进入hive
    0: jdbc:hive2://hdp02:10000> load data local inpath '/home/hdp/user2.txt' into table demo02;
    No rows affected (0.796 seconds)
    0: jdbc:hive2://hdp02:10000> select * from demo02;
    +------------+--------------+
    | demo02.id  | demo02.name  |
    +------------+--------------+
    | 101        |  feiji       |
    | 102        |  dapao       |
    | 103        |  huojian     |
    | 104        |  lunchuan    |
    | 105        |  tanke       |
    | 106        |  jj          |
    | 107        |  mm          |
    | 108        |  gg          |
    | 109        |  kk          |
    +------------+--------------+
    9 rows selected (0.279 seconds)

    ⑨ 查询数据:select * from demo01 ... ;

    ⑩ 删除表: drop table demo03_ptn;


    二、Hive常用交互命令

    hive -help  

    [hdp@hdp02 ~]$ hive -help
    
     -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 hive -e :不进入hive的交互窗口执行sql语句

    [hdp@hdp02 ~]$ hive -e 'select * from demodb01.demo02;'

    ② hive -f :不进入hive的交互窗口执行保存了sql语句的文件

    [hdp@hdp02 ~]$ vi user2.txt
    select * from demodb01.demo02;
    ~   
    #保存并退出
    [hdp@hdp02 ~]$ hive -f ./user2.txt                             

    ③ 将查询结果追加到本地文件当中

    [hdp@hdp02 ~]$ hive -f ./user2.txt > /home/hdp/demo02.txt
    OK
    Time taken: 8.727 seconds, Fetched: 9 row(s)
    [hdp@hdp02 ~]$ ll
    ...
    -rw-rw-r--  1 hdp hdp       101 Nov 28 19:53 demo02.txt
    ...
    [hdp@hdp02 ~]$ cat ./demo02.txt
    ...
    
    [hdp@hdp02 ~]$ hive -e 'select * from demodb01.demo02;' > /home/hdp/demo03.txt

    有了以上的交互命令,hive的HQL语句就可以在shell脚本中执行了,也可以实现定时(进程任务)

    Linux进程管理、计划任务笔记:https://blog.csdn.net/weixin_41685388/article/details/102531518

    Linux的shell编程:https://blog.csdn.net/weixin_41685388/article/details/102616437


    三、hive其他命令操作

    ① 在Hive的cli命令窗口中查看hdfs文件系统

    hive> dfs -ls /;

    ② 在Hive的cli命令窗口中查看本地文件系统

    hive> ! ls /home/hdp;

    ③ 查看Hive中输入的历史命令

    先进入到当前用户的根目录下(root/ 或者/home/hdp),查看 .hivehistory 文件

    [hdp@hdp02 ~]$ cat .hivehistory

    ④ hive的执行日志的存储目录

    hive的执行日志的存储目录在${java.io.tmpdir}/${user.name}/hive.log中,假如使用hdp 用户操作的 hive,那么日志文件默认的存储路径为:/temp/hdp/hive.log  

    ⑤ CLI下执行查询时若想显示表头信息,可以执行命令:

     Hive> set hive.cli.print.header=true; 

    展开全文
  • Hive常用调优方法

    2020-11-30 21:30:36
    Hive常用调优方法 一、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 emp;在这种情况下,Hive可以简单地读取emp对应的存储目录下的文件,然后输出查询结果到...

    Hive常用调优方法

    一、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 emp;在这种情况下,Hive可以简单地读取emp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

    <property>
        <name>hive.fetch.task.conversion</name>
        <value>more</value>
        <description>
          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)
        </description>
    </property>
    

    二、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;
    
    #案例实操:
    #(1)开启本地模式,并执行查询语句
    hive (default)> set hive.exec.mode.local.auto=true; 
    hive (default)> select * from emp cluster by deptno;
    Time taken: 1.328 seconds, Fetched: 14 row(s)
    #(2)关闭本地模式,并执行查询语句
    hive (default)> set hive.exec.mode.local.auto=false; 
    hive (default)> select * from emp cluster by deptno;
    Time taken: 20.09 seconds, Fetched: 14 row(s)
    

    三、表的优化

    3.1 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。

    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。
    案例实操

    3.2 大表Join大表

    1)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,操作如下:
    案例实操

    2)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布到不同的reducer上。例如:

    #案例实操:随机分布空null值
    #(1)设置5个reduce个数
    set mapreduce.job.reduces = 5;
    #(2)JOIN两张表
    insert overwrite table jointable
    select n.* from nullidtable n full join bigtable o on 
    nvl(n.id,rand()) = o.id;
    

    3.3 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。

    #1)开启MapJoin参数设置
    #(1)设置自动选择Mapjoin
    set hive.auto.convert.join = true; 默认为true
    #(2)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;
    

    3.4 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。

    1)开启Map端聚合参数设置
    (1)是否在Map端进行聚合,默认为True

    set hive.map.aggr = true
    

    (2)在Map端进行聚合操作的条目数目

    set hive.groupby.mapaggr.checkinterval = 100000
    

    (3)有数据倾斜的时候进行负载均衡(默认是false)

    set 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。

    3.5 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,但是需要注意group by造成的数据倾斜问题.

    3.6 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。

    3.7 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: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,比如:

    3.8 分区

    详见https://blog.csdn.net/weixin_42796403/article/details/110339617

    3.9 分桶

    详见https://blog.csdn.net/weixin_42796403/article/details/110339617

    四、合理设置Map及Reduce数

    1. 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。
    2. 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。
    3. 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。
      针对上面的问题2和3,我们需要采取两种方式来解决:即减少map数和增加map数;

    4.1 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。

    #案例实操:
    #1)执行查询
    hive (default)> select count(*) from emp;
    Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
    #2)设置最大切片值为100个字节
    hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
    hive (default)> select count(*) from emp;
    Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1
    

    4.2 小文件进行合并

    1. 在map执行前合并小文件,减少map数:CombineHiveInputFormat具有对小文件进行合并的功能(系统默认的格式)。HiveInputFormat没有对小文件合并功能。

      set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
      
    2. 在Map-Reduce的任务结束时合并小文件的设置:
      在map-only任务结束时合并小文件,默认true

      SET hive.merge.mapfiles = true;
      

      在map-reduce任务结束时合并小文件,默认false

      SET hive.merge.mapredfiles = true;
      

      合并文件的大小,默认256M

      SET hive.merge.size.per.task = 268435456;
      

      当输出文件的平均大小小于该值时,启动一个独立的map-reduce任务进行文件merge

      SET hive.merge.smallfiles.avgsize = 16777216;
      

    4.3 合理设置Reduce数

    1)调整reduce个数方法一
    (1)每个Reduce处理的数据量默认是256MB

    hive.exec.reducers.bytes.per.reducer=256000000
    

    (2)每个任务最大的reduce数,默认为1009

    hive.exec.reducers.max=1009
    

    (3)计算reducer数的公式

    N=min(参数2,总输入数据量/参数1)
    

    2)调整reduce个数方法二
    设置每个job的Reduce个数

    set mapreduce.job.reduces = 15;
    

    3)reduce个数并不是越多越好

    (1)过多的启动和初始化reduce也会消耗时间和资源;
    (2)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;

    五、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加。

    set hive.exec.parallel=true;              //打开任务并行执行,默认为false
    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。

    六、严格模式

    Hive可以通过设置防止一些危险操作:

    1)分区表不使用分区过滤

    hive.strict.checks.no.partition.filter设置为true时,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。

    2)使用order by没有limit过滤

    hive.strict.checks.orderby.no.limit设置为true时,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。

    3)笛卡尔积

    hive.strict.checks.cartesian.product设置为true时,会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。

    七、JVM重用

    详见

    八、压缩

    详见 https://blog.csdn.net/weixin_42796403/article/details/110349026
    https://blog.csdn.net/weixin_42796403/article/details/110142128

    九、执行计划(Explain)

    1)基本语法

    EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
    

    2)案例实操

    (1)查看下面这条语句的执行计划

    hive (default)> explain select * from emp;
    hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
    

    (2)查看详细执行计划

    hive (default)> explain extended select * from emp;
    hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
    
    展开全文
  • hive常用函数参数手册

    2018-10-21 14:40:51
    hive常用的函数参考手册,仅供参考,可能版本不一样,函数方法不一致,请以进官方文档为准,https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF
  • Hive常用的属性配置项

    2018-10-14 17:06:11
    Tips:CDH版本hive没有hive-default.xml等没有default文件 1:hive数据仓库位置配置 官网的解释: hive.metastore.warehouse.dir Default Value: /user/hive/warehouse Added In: Hive 0.2.0 Location of ...

    Tips:CDH版本的hive没有hive-default.xml等没有default文件

    1:hive数据仓库位置配置

    官网的解释:

    	hive.metastore.warehouse.dir
    	Default Value: /user/hive/warehouse
    	Added In: Hive 0.2.0
    	Location of default database for the warehouse.

    hive-site.xml 有对应的键值对

    2:运行hive的条件

      $ $HADOOP_HOME/bin/hadoop fs -mkdir       /tmp
      $ $HADOOP_HOME/bin/hadoop fs -mkdir       /user/hive/warehouse
      $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /tmp
      $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /user/hive/warehouse

    3:日志运行的配置

    配置文件目录:

    /opt/modules/hive-0.13.1-bin/conf/hive-log4j.properties

    hive.log.dir=/opt/modules/hive-0.13.1-bin/logs
    hive.log.file=hive.log
    
    hive运行日志的级别
    hive.root.logger=DEBUG,DRFA

    4:在client命令行上显示当前数据库名称,以及查询表的表头信息

    	<property>
    	  <name>hive.cli.print.header</name>
    	  <value>true</value>
    	</property>
    
    	<property>
    	  <name>hive.cli.print.current.db</name>
    	  <value>true</value>
    	</property>

    5:在启动hive时设置配置属性的详细信息

    bin/hive --hiveconf <property=value>

    eg:bin/hive --hiveconf hive.cli.print.header=false
    前后对比
    这种方式的设置,仅仅在当前会话session中有效

    6:查看hive当前所有的配置信息

        set;
        set hive.cli.print.header=false;

    配置信息的优先级

    set --> --hiveconf -->hive-site.xml-->hive-default.xml

    展开全文
  • hive常用设置参数

    2014-07-08 14:49:18
    hadoop 常用参数整理 (2013-01-16 15:06:22)转载▼ 标签: 杂谈 分类: hadoop hadoop 版本1.03 hadoop.tmp.dir ---> mapred-site.xml 默认值: /tmp 说明: 尽量手动配置这个选项,否则的话都默认存在了...
  • Hive--HiveServer2 命令行代码连接、Hive常用命令、自定义UDF函数、排序 以下所说的都是针对 Hive 为 1.1.0-cdh5.16.2版本 1 Hive--HiveServer2 命令行代码连接 1.1 配置HiveServer2 WEB 参数 HiveServer2是一...
  • 背景:平常我们使用 hive或者 mysql时,一般聚合函数用的...版本Hive 1.1.0 + cdh5.13.0 一、介绍 分析函数用于计算基于组的某种聚合值,它和聚合函数的不同之处是:对于每个组返回多行,而聚合函数对于每个组只...
  • HiveHive Metrics体系

    千次阅读 2018-11-24 17:00:17
    Hive常用的长服务主要有HiveServer2和MetaStore,这两者都可以配置一些监控数据。HiveServer2可以配置若干监控,有关HiveServer2的更多介绍可以查看文档Setting Up Hiveser2。 一、HiveServer2 UI 从Hive 2.0.0版本...
  • Hive1.2.1<常用操作示例>

    千次阅读 2017-07-01 21:39:09
    版本:apache-hive-1.2.1 使用到的数据:链接:http://pan.baidu.com/s/1c2xmk1M 密码:uucs1. train 01.创建10min数据托管表。 create table TenminData_tg ( `DATASOURCE` string , `FAN_NO` string , `DATA_...
  • 但对于某些偏分析的需求,group by可能很费力,子查询很多,这个时候就需要使用窗口分析函数了~注:hive、oracle提供开窗函数,mysql8之前版本不提供,但Oracle发布的MySQL 8.0版本支持窗口函数(over)和公用表...
  • 概述Hive 的元数据信息通常存储...Hive的元数据信息在MySQL数据中有57张表一、存储Hive版本的元数据表(VERSION)VERSION -- 查询版本信息该表比较简单,但很重要。VER_IDSCHEMA_VERSIONVERSION_COMMENTID主键Hive版本...
  • 标题1、Hive元数据表(1)存储Hive版本的元数据表(2)Hive数据库相关的元数据表2)DATABASE_PARAMS(3)Hive表和视图相关的元数据表(4)Hive文件存储信息相关的元数据表(5)Hive表字段相关的元数据表(6)Hive表...
  • hive基础

    2018-04-28 18:20:56
    (使用hive 2.3版本hive的资料 Hive 教程(官方Tutorial) Hive HiveQL基础知识及常用语句总结 Hive2.0函数大全(中文版) 过往记忆的博客 表格的操作 创建表格 创建“课程”表格,用逗号分隔。 ...
  • CLI是和Hive交互的最简单/最常用方式,你只需要在一个具备完整Hive环境下的Shell终端中键入hive即可启动服务。 Beeline Beeline是Hive新的命令行客户端工具。 Hive客户端工具后续将使用Beeline 替代HiveCLI ,...
  • 一、存储Hive版本的元数据表(VERSION) VERSION -- 查询版本信息 该表比较简单,但很重要。 VER_ID SCHEMA_VERSION VERSION_COMMENT ID主键 Hive版本 版本说明 1 2.3.0 ..
  • Hivehive数据类型

    2020-01-04 21:15:15
    Hive 支持日期类型(老版本不支持),在 Hive 里日期一般都是用字符串来表示的,而常用的日期格式转化操作则是通过自定义函数进行操作,当然也可以直接指定为日期类型 Hive 是用 Java 开发的,Hive 里的基本数据类...
  • 存储Hive版本的元数据表(VERSION) VERSION – 查询版本信息 1. VERSION VER_ID SCHEMA_VERSION VERSION_COMMENT ID主键 Hive版本 版本说明 1 1.2.0 Set by MetaStore 如果该表出现问题,根本进入不...
  • 概述Hive 的元数据信息通常存储...Hive的元数据信息在MySQL数据中有57张表一、存储Hive版本的元数据表(VERSION)VERSION -- 查询版本信息该表比较简单,但很重要。VER_IDSCHEMA_VERSIONVERSION_COMMENTID主键Hive版本...
  •  Hive是最老牌的一款Hadoop数据仓库产品,更够部署在所有Hadoop发行版本之上。它在MapReduce计算框架上封装一个SQL语义层,极大简化了MR程序的开发。直到现在,Hive以其稳定性依然赢得大量用户。  但是Hive的缺点...
  • Hive2.0安装完整版——Hive2.3.4

    千次阅读 热门讨论 2019-01-16 18:19:03
    Hive是大数据生态圈中最常用的数据仓库,也是有hadoop集群的公司的必备。所以hive安装和使用也是大数据开发或运维人员都必须掌握的。hive的安装很简单,而且各版本的安装都非常类似,完全可以套用。此文中选择Hive...
  • 存储Hive版本的元数据表(VERSION) VERSION – 查询版本信息 该表比较简单,但很重要。如果该表出现问题,根本进入不了Hive-Cli。 比如该表不存在,当启动Hive-Cli时候,就会报错”Table ‘hive.version’ doe...
  • Hive安装体验

    2018-04-22 23:41:56
    http://mirrors.hust.edu.cn/apache/hive/hive-2.2.0/ 此处下载的是2.2版本hive是一个数据仓库,以我理解就是把一些的数据放到hive...hive依赖于一个数据库如最常用的mysql,用来存放元数据,比如hive的建表语句cr
  • 概述 Hive 的元数据信息通常存储在关系型数据库中,常用MySQL数据库作为元数据库管理。上一篇hive的安装也是将元数据信息存放在MySQL数据库中。...一、存储Hive版本的元数据表(VERSION) VER...
  • Hive元数据库详解

    2019-08-12 07:28:51
    文章目录1、概述2、启用mysql管理3、通过mysql查看basic01数据库4、version(存储Hive版本的元数据表)5、Hive数据库相关的元数据表(DBS、DATABASE_PARAMS)6、Hive表和视图相关的元数据表7、Hive文件存储信息相关...

空空如也

空空如也

1 2 3 4 5 ... 7
收藏数 136
精华内容 54
关键字:

常用hive版本