精华内容
参与话题
问答
  • 上千辆设备每隔10秒上传一次数据,我要把数据存储起来,然后在基于这些数据进行查询分析, 担心传统的做法后期会有很大的性能问题,请教有做过这方面的经验的高手共享一下思路。
  • 随着信息化时代的发展,大数据逐渐成为互联网的常态,而亿信华辰PetaBase-s作为企业级实时大数据平台,为海量数据的存储和计算提供了强有力的支撑,通过数据分析挖掘数据的潜在价值,为企业的发展和决策提供支持。...

    随着信息化时代的发展,大数据逐渐成为互联网的常态,而亿信华辰PetaBase-s作为企业级实时大数据平台,为海量数据的存储和计算提供了强有力的支撑,通过数据分析挖掘数据的潜在价值,为企业的发展和决策提供支持。

    PetaBase-s在性能上远超传统的关系型数据库,单表亿级以上查询性能是传统关系型数倍甚至数十倍。但在面向数据需要预处理的场景下,如果不支持存储过程,在易用性方面有所欠缺。而且用户还会时常用到存储过程,当需要将存储过程迁移到PetaBase-s中时,PetaBase-s难以满足该需求。

    经过亿信华辰研发人员大半年的刻苦研发,PetaBase-s新版本终于支持存储过程了,在易用性方面得到了极大的提升,并且由于PetaBase-s高度兼容传统关系型数据库存储过程,极大减少了迁移存储过程的工作量。

    41ed0a7b44551cdb3d4d66a4d7e24841.png

    PetaBase-s存储过程相比传统SQL优势

    • 运行速度更快

    存储过程只在创建时进行编译,以后每次执行存储过程都不需再重新编译,而一般SQL语句每执行一次就编译一次,因此使用存储过程可以大大提高数据库执行速度。

    • 网络传输开销更少

    存储过程直接就在数据库服务器上跑,所有的数据访问都在数据库服务器内部进行,不需要传输数据到其它服务器,会减少一定的网络传输。

    • 更高的复用性

    存储过程可以重复使用,从而可以减少数据库开发人员的工作量。

    • 更加易于维护

    存储过程比程序更加容易维护,因为存储过程可以在数据库端实时维护,而程序难以做到实时更新。应用程序和数据库操作分开,独立进行,不会相互制约,方便进行维护。

    PetaBase-s存储过程八大特性

    • 轻松实现业务逻辑

    可以通过使用变量、表达式、控制流语句和迭代来实现业务逻辑。可以开发管理和控制分布式进程的程序,并且不会成为系统的瓶颈。

    • 高级的错误处理能力

    支持使用异常和条件处理程序进行错误处理。

    • 使SQL-on-Hadoop更加动态

    可以使用高级表达式、各种内置函数、条件来根据用户配置动态生成SQL、前面查询的结果、来自文件或非hadoop数据源的数据等等。

    • ETL开发更加高效

    提供函数和语句,使典型的ETL开发更加高效。

    • 更高的可读性和可维护性

    和传统的python、java和shell脚本相比,使用该存储过程语言,使Hadoop能够面向更广泛的BI分析师和开发人员。

    • 多语言持久性

    Hadoop扩展了使用RDBMS产品构建的传统数据仓库。这意味着必须集成多个系统,包括Hadoop、RDBMS、NoSQL和其他系统。HPL/SQL允许在一个脚本中使用多个系统,因此可以充分利用各种不同类型的工作负载并轻松集成它们。

    • 高度兼容Oracle等传统关系型数据库存储过程语法

    支持所有广泛使用的过程语言的语法,无需从头学习新的程序语言,有助于开发新代码以及将现有代码库迁移到Hadoop。

    • 快速上手

    提供了开始使用Hadoop的最快方法,可以使用当前的技能和现有代码在Hadoop上运行业务逻辑。

    结语:对于PetaBase-s来说,支持存储过程具有里程碑式的意义。以前的PetaBase-s只是在性能上占据极大的优势,但是现在在功能和易用性上也有了极大的提升,虽然蜕变的过程是艰辛的,但是蜕变后的PetaBase-s变得更加完美。小伙伴们,快来试用PetaBase-s吧,蜕变后的PetaBase-s希望得到您的支持。

    展开全文
  • 而针对当前大数据领域分析场景需求各异而导致的存储问题,亿信华辰则提供了一种新的融合数据存储方案,能融合不同架构的统一数据管理平台即PetaBase-s实时大数据平台。与早期的分布式数据库产品相比,PetaBase-s全面...

    近年来,实时大数据快速发展,并扎根于科技金融、车联网、物联网、电商、智慧城市等应用场景,创造新的价值。毋庸置疑,数据越实时价值越大,秒级甚至毫秒级的实时流式大数据计算场景层出不穷。并且当下,从数据产生到分析结果的计算,数据时效性对业务的蓬勃发展起到更至关重要的作用。

    而针对当前大数据领域分析场景需求各异而导致的存储问题,亿信华辰则提供了一种新的融合数据存储方案,能融合不同架构的统一数据管理平台即PetaBase-s实时大数据平台。与早期的分布式数据库产品相比,PetaBase-s全面升级为实时大数据平台。它基于开源Hadoop框架开发,融合MPP、SQL on Hadoop、流处理等大数据技术,支持海量数据的高效储存和统一管理,为企业决策提供实时的数据支撑。

    作为具有创新性的实时大数据平台,PetaBase-s能够帮助各个行业的企业在海量的数据中洞察更多隐藏的商业价值。

    制造业,PetaBase-s能帮助企业利用工业大数据提升制造业水平,例如:产品故障诊断与预测、分析工艺流程、改进生产工艺,优化生产过程能耗等;

    金融行业,PetaBase-s在高频交易和信贷风险分析领域能发挥重大作用;

    互联网行业,PetaBase-s可以协助分析客户行为,进行商品推荐和针对性广告投放;

    电信行业,PetaBase-s可协助实现客户离网分析,及时掌握客户离网倾向,出台客户挽留措施;

    能源行业,PetaBase-s可以帮助企业掌握海量的能源生产与消耗信息,分析用户行为模式,改进基础设施运行,合理设计能源需求响应系统,确保生产安全等;

    物流行业,PetaBase-s能帮助优化物流网络,提高物流效率,降低物流成本;

    智慧城市,PetaBase-s可实现智能交通、环保监测、城市规划和智能安防

    这些年,我们一直在致力于解决两个问题:

    1)数据量不断快速增长,期望获取、处理和存储要求的时间越来越短;

    2)用户对即时查询(hoc query)响应的要求越来越高。

    在经过近一年紧张有序的开发和大量测试之后,PetaBase-s在功能和性能上都实现大幅度的提升。它就可以解决星形模型、企业数据仓库以及集成的先进分析混合模型分析等应用场景,从传统数据仓库用例到敏捷快速的实时数据智能平台,PetaBase-s实时大数据平台都很适合。

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

    △产品架构图

    下面让我们一起来看看 PetaBase-s 实时大数据平台都有哪些重要特性:

    01 全面扩展开源软件

    早期的PetaBase分布式数据库集成了Hdfs、MapReduce、Impala、Zookeeper、Hive共计5个主流组件,主要面向海量数据集的交互式联机分析场景。

    新版的PetaBase-s实时大数据平台采用了全新的企业级平台框架,以开源的Ambari作为平台统一管理工具,集成了诸多主流开源组件,数量总计近20个。其中包括:YARN(统一资源管理)、HBase(列存NoSQL数据库)、Spark(快速通用的、基于内存的、分布式的计算引擎)、Kudu(支持单条记录级别的增删改查的存储系统)、Kafka(分布式发布订阅消息系统)、Flume(分布式的海量日志采集系统)、Sqoop(关系型数据库与hdoop之间的数据ETL工具)等。

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    无论你需要处理的数据结构是哪种:地理空间信息、文本、自然语言或是结构化的、非结构化的图像分析,PetaBase-s都能处理。在海量的非结构化/半结构化/结构化数据集上同时进行离线计算和流式处理,还能满足高吞吐、大数据量和低时延实时处理等多方面的数据计算要求。

    02 支持单行记录级的增删改查

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    PetaBase-s实时大数据平台引入了新的存储系统——Kudu。Kudu是一个既支持随机读写、又支持 OLAP 分析的大数据存储引擎。Kudu引擎不但提供了行级的插入、更新、删除API,同时也提供了接近Parquet性能的批量扫描操作。使用同一份存储,既可以进行随机读写,也可以满足数据分析的要求。

    03 基于流式处理的实时计算功能

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    PetaBase-s实时大数据平台集成了Spark引擎,并基于Spark Streaming框架开发了一套可进行实时流计算的功能模块StreamProcessor。StreamProcessor可以实现高吞吐量的、具备容错机制的实时流数据的处理。它借助Apache Spark Engine处理微小批量的实时数据,并进行内存计算和处理优化。

    另一个显著特点是用户可以用SQL书写数据处理逻辑,比如聚合、关联、过滤等。它支持Spark SQL语法,这样用户能直接使用现有的查询技术实时计算流数据。

    04 支持多种传输协议的数据采集

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    Petabase-s实时大数据平台添加了对多种数据源的接入支持,可支持OPC、MQTT等数十种传输协议,覆盖从工业物联网到传统电子交易的实时采集场景。

    PetaBase还提供了基于数据库日志的采集接口,能支持Oracle、Mysql、PostgresQL、SqlServer等主流rdbms的cdc数据采集,实现联机交易类的业务数据到大数据平台的实时同步。

    05 更加直观易用的统一运维中心

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    PetaBase-s实时大数据平台提供了一致、安全的可视化管理工具。平台向用户提供直观的Web UI以及强大的REST API,特别有利于自动化群集操作。与早期的控制台相比,新版的控制台可显著简化安装,配置和管理流程,提供集中式安全设置,增加了对群集健康的可视化监控,并具有高度可扩展性和可定制性。

    除此之外,控制台还提供了对存储在PetaBase-s中的文件、数据进行访问管理的IDE。用户可以在这个IDE中编写mr,查看修改Hdfs的文件,管理Hive的元数据,运行Sqoop,编写Oozie工作流等大量工作。

    06 HTAP(OLAP + OLTP)性能增强

    PetaBase-s实时大数据平台发布,6大特性拥抱大数据生态

     

    PetaBase-s实时大数据平台在存储层增加了LSM存储模型,LSM(结构化日志合并)树模型非常适合大规模在线读写。新增的存储模型对用户是非常友好的,用户甚至不需要特别关注它。建表时只需要指定表的存储属性即可使用LSM模型,之后基于该表的数据操作都和原来一样的,使用标准sql即可。基于此,LSM表可支持大并发的更改删除查询,从而提高整个系统的并发度和吞吐量。

    PetaBase-s还对join(关联)操作进行了优化,减少了数据在网络交换中的传输量。结合查询优化器带来的其他优化,PetaBase的OLAP性能得到显著改进,混合负载业务尤其受益。

    展开全文
  • 之前有写到HBase,那是老夫在开发过程中实际使用的一个存储数据库,HBase和Hive同样作为大数据存储中最优秀的两个存储框架,都有着彼此的优势,HBase更适合实时,Hive更适合离线。这里呢,就先简单的介绍一下HIve的...

    原文地址:http://www.blog.sun-iot.xyz/2019/12/10/bigdata/hive-interview/
    大数据存储框架之Hive概述
    之前有写到HBase,那是老夫在开发过程中实际使用的一个存储数据库,HBase和Hive同样作为大数据存储中最优秀的两个存储框架,都有着彼此的优势,HBase更适合实时,Hive更适合离线。这里呢,就先简单的介绍一下HIve的基础架构以及Hive的一些基本安装步骤。

    认识我们的主角Hive

    什么是Hive

    Hive:由Facebook开源用于解决海量结构化日志的数据统计。
    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(HQL)。
    本质是:将HQL转化成MapReduce程序
    如图所示:
    sql-mapreduce.png

    1. Hive处理的数据存储在HDFS
    2. Hive分析数据底层的实现是MapReduce
    3. 执行程序运行在Yarn上

    Hive的优缺点

    优点

    1. 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)。
    2. 避免了去写MapReduce,减少开发人员的学习成本。
    3. 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。
    4. 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。
    5. 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。

    缺点

    1. Hive的HQL表达能力有限
      (1)迭代式算法无法表达
      (2)数据挖掘方面不擅长
    2. Hive的效率比较低
      (1)Hive自动生成的MapReduce作业,通常情况下不够智能化
      (2)Hive调优比较困难,粒度较粗

    Hive架构

    1.用户接口:Client
    CLI(hive shell)、JDBC/ODBC(java访问hive)、WEBUI(浏览器访问hive)
    2.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
    3.Hadoop
    使用HDFS进行存储,使用MapReduce进行计算。
    4.驱动器:Driver
    (1)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。
    (2)编译器(Physical Plan):将AST编译生成逻辑执行计划。
    (3)优化器(Query Optimizer):对逻辑执行计划进行优化。
    (4)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-2.png
    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。

    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。

    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。

    数据存储位置

    Hive 是建立在 Hadoop 之上的,所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

    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。

    索引

    Hive在加载数据的过程中不会对数据进行任何处理,甚至不会对数据进行扫描,因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时,需要暴力扫描整个数据,因此访问延迟较高。由于 MapReduce 的引入, Hive 可以并行访问数据,因此即使没有索引,对于大数据量的访问,Hive 仍然可以体现出优势。数据库中,通常会针对一个或者几个列建立索引,因此对于少量的特定条件的数据的访问,数据库可以有很高的效率,较低的延迟。由于数据的访问延迟较高,决定了 Hive 不适合在线数据查询。

    执行

    Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

    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。

    可扩展性

    由于Hive是建立在Hadoop之上的,因此Hive的可扩展性是和Hadoop的可扩展性是一致的(世界上最大的Hadoop 集群在 Yahoo!,2009年的规模在4000 台节点左右)。而数据库由于 ACID 语义的严格限制,扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。

    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。

    Hive安装

    安装过程很简单,主要修改几个配置:

    mv hive-env.sh.template hive-env.sh
    

    配置hive-env.sh

    export HADOOP_HOME=/opt/module/hadoop-2.7.2
    export HIVE_CONF_DIR=/opt/module/apache-hive-1.2.1/conf
    

    随后,我们需要保证我们的HDFS上创建 /tmp 和 /user/hive/warehouse 两个目录,并修改他们的同组权限可写

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

    随后我们启动我们的Hive

    bin/hive
    

    剩下的操作基本上和MySQL操作一致了,就不做太多的赘述了。
    这里,当我们再打开一个hive窗口的时候,会产生java.sql.SQLException异常:我么试一下

    Exception in thread "main" java.lang.RuntimeException: java.lang.RuntimeException:
     Unable to instantiate
     org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient
            at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:522)
            at org.apache.hadoop.hive.cli.CliDriver.run(CliDriver.java:677)
            at org.apache.hadoop.hive.cli.CliDriver.main(CliDriver.java:621)
            at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
            at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
            at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
            at java.lang.reflect.Method.invoke(Method.java:606)
            at org.apache.hadoop.util.RunJar.run(RunJar.java:221)
            at org.apache.hadoop.util.RunJar.main(RunJar.java:136)
    Caused by: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient
            at org.apache.hadoop.hive.metastore.MetaStoreUtils.newInstance(MetaStoreUtils.java:1523)
            at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.<init>(RetryingMetaStoreClient.java:86)
            at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:132)
            at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:104)
            at org.apache.hadoop.hive.ql.metadata.Hive.createMetaStoreClient(Hive.java:3005)
            at org.apache.hadoop.hive.ql.metadata.Hive.getMSC(Hive.java:3024)
            at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:503)
    ... 8 more
    

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

    Hive元数据配置到MySQL

    首先,我们将数据库驱动的.jar包,放到hive目录下的lib目录下,然后我们在配置Metastore到MySQL
    在/opt/module/apache-hive-1.2.1/conf目录下,创建一个 hive-site.xml,内容如下:

    <?xml version="1.0"?>
    <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
    <configuration>
            <property>
              <name>javax.jdo.option.ConnectionURL</name>
              <value>jdbc:mysql://hadoop101:3306/metastore?createDatabaseIfNotExist=true</value>
              <description>JDBC connect string for a JDBC metastore</description>
            </property>
    
            <property>
              <name>javax.jdo.option.ConnectionDriverName</name>
              <value>com.mysql.jdbc.Driver</value>
              <description>Driver class name for a JDBC metastore</description>
            </property>
    
            <property>
              <name>javax.jdo.option.ConnectionUserName</name>
              <value>root</value>
              <description>username to use against metastore database</description>
            </property>
    
            <property>
              <name>javax.jdo.option.ConnectionPassword</name>
              <value>000000</value>
              <description>password to use against metastore database</description>
            </property>
    </configuration>
    
    bin/hiveserver2
    bin/beeline
    beeline> !connect jdbc:hive2://hadoop101:10000
    Enter username for jdbc:hive2://hadoop101:10000: corp
    Enter password for jdbc:hive2://hadoop101:10000:  # 这里直接回车就好了
    

    然后,我们就直接进去了。剩下额度操作就和MySQL一致了。

    Hive常见的属性配置

    Hive数据仓库位置配置

    1)Default数据仓库的最原始位置是在hdfs上的:/user/hive/warehouse路径下。
    2)在仓库目录下,没有对默认的数据库default创建文件夹。如果某张表属于default数据库,直接在数据仓库目录下创建一个文件夹。
    3)修改default数据仓库原始位置(将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中)。

    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive/warehouse</value>
        <description>location of default database for the warehouse</description>
    </property>
    

    配置同组用户有执行权限

    bin/hdfs dfs -chmod g+w /user/hive/warehouse
    

    查询后信息现实配置

    1)在hive-site.xml文件中添加如下配置信息,就可以实现显示当前数据库,以及查询表的头信息配置。

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

    Hive运行日志信息配置

    在 /opt/module/apache-hive-1.2.1/conf 目录下,修改hive-log4j.properties,修改如下:

    hive.log.dir=/opt/module/apache-hive-1.2.1/logs
    

    参数配置方式

    查看当前所有的配置信息

    hive>set;
    

    参数的配置三种方式

    (1) 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。
    (2) 命令行参数设置
    启动Hive时,可以在命令行添加-hiveconf param=value来设定参数。进队当前Hive有效。

    bin/hive -hiveconf mapred.reduce.tasks=10;
    # 进队当前hive有效
    # 查看当前配置
    hive (default)> set mapred.reduce.tasks;
    

    (3) 参数声明方式
    可以在HQL中使用SET关键字设定参数;

    hive (default)> set mapred.reduce.tasks=100;
    # 进队当前hive有效
    # 查看当前配置
    hive (default)> set mapred.reduce.tasks;
    

    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<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。

    Hive数据类型

    基本数据类型

    Hive数据类型 Java数据类型 长度 例子
    TINYINT byte 1byte有符号整数 20
    SMALINT short 2byte有符号整数 20
    INT int 4byte有符号整数 20
    BIGINT long 8byte有符号整数 20
    BOOLEAN boolean 布尔类型,true或者false TRUE FALSE
    FLOAT float 单精度浮点数 3.14159
    DOUBLE double 双精度浮点数 3.14159
    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。 ‘now is the time’ “for all good men”
    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。

    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“点”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()
    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()
    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()

    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。

    案例实操

    (1) 假设有表如下一行,我们使用JSON格式来存储其数据结构,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" 
        }
    }
    

    (2) 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
    

    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“_”。
    (3) 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 ','
    collection items terminated by '_'
    map keys terminated by ':'
    lines terminated by '\n';
    

    字段解释
    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

    (4) 导入数据

    load data local inpath ‘/opt/module/datas/test.txt’into table test
    

    (5) 访问三种集合列里的数据,以下分别是ARRAY,MAP,STRUCT的访问方式:

    select friends[1],children['xiao song'],address.city from test where name="songsong";
    

    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。

    1. 隐式类型转换规则如下
      (1)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。
      (2)所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。
      (3)TINYINT、SMALLINT、INT都可以转换为FLOAT。
      (4)BOOLEAN类型不可以转换为任何其它的类型。
    2. 可以使用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。

    DDL数据定义

    创建数据库

    1. 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。
    hive (default)> create database db_hive;
    
    1. 避免要创建的数据库已经存在错误,增加if not exists判断。(标准写法)
    hive (default)> create database if not exists db_hive;
    
    1. 创建一个数据库,指定数据库在HDFS上存放的位置
    hive (default)> create database db_hive2 location '/db_hive2.db';
    

    查询数据库

    1. 显示数据库
    # 显示数据库
    show databases;
    # 过滤显示查询的数据库
    show databases like 'db_hive*';
    
    1. 查看数据库详情
    # 显示数据库信息
    desc database db_hive;
    # 显示数据库详细信息,extended
    desc database extended db_hive;
    
    1. 切换数据库
    use db_hive
    
    1. 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。数据库的其他元数据信息都是不可更改的,包括数据库名和数据库所在的目录位置。
    alter database db_hive set dbproperties('createtime'='20170830');
    
    1. 删除数据库
      (1) 删除空的数据库
    drop database if exists db_hive ;
    

    (2) 删除不为空的数据库

    drop database if exists db_hive cascade;
    
    1. 创建表
    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]
    

    (1)CREATE TABLE 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。
    (2)EXTERNAL关键字可以让用户创建一个外部表,在建表的同时指定一个指向实际数据的路径(LOCATION),Hive创建内部表时,会将数据移动到数据仓库指向的路径;若创建外部表,仅记录数据所在的路径,不对数据的位置做任何改变。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。
    (3)COMMENT:为表和列添加注释。
    (4)PARTITIONED BY创建分区表
    (5)CLUSTERED BY创建分桶表
    (6)SORTED BY不常用
    (7)ROW FORMAT
    DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
    [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
    | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]
    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,目的是用于序列化和反序列化。
    (8)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。
    (9)LOCATION :指定表在HDFS上的存储位置。
    (10)LIKE允许用户复制现有的表结构,但是不复制数据。

    管理表(内部表)和外部表

    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(例如,/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。
    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。

    内部表和外部表的转换

    # 内部表-> 外部表
    alter table student2 set tblproperties('EXTERNAL'='TRUE');
    # 外部表-> 内部表
    alter table student2 set tblproperties('EXTERNAL'='FALSE');
    

    注意:(‘EXTERNAL’=‘TRUE’)和(‘EXTERNAL’=‘FALSE’)为固定写法,区分大小写!

    分区表

    分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区,这样的查询效率会提高很多。

    分区表的创建以及数据加载

    create table dept_partition(
      deptno int, 
      dname string, 
      loc string
    )
    partitioned by (month string)
    row format delimited fields terminated by '\t';
    
    load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201709');
    

    增加分区,删除分区,查看分区表分区数,以及分区表结构

    -- 创建单个分区
    alter table dept_partition add partition(month='201706') ;
    -- 同时创建多个分区
    alter table dept_partition add partition(month='201705') partition(month='201704');
    -- 删除分区
    alter table dept_partition drop partition (month='201704');
    -- 删除多个分区
    alter table dept_partition drop partition (month='201705'), partition (month='201706');
    -- 查看分区表分区数
    show partitions dept_partition;
    -- 查看分区表结构
    desc formatted dept_partition;
    

    分区表注意事项

    1. 创建二级分区表
    create table dept_partition2(
        deptno int, 
        dname string, 
        loc string
    )
    partitioned by (month string, day string)
    row format delimited fields terminated by '\t';
    
    1. 正常的加载数据
      (1) 加载数据到二级分区表中
    load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition2 partition(month='201709', day='13');
    

    (2) 查询分区数据

    select * from dept_partition2 where month='201709' and day='13';
    
    1. 把数据直接上传到分区目录上,让分区表和数据产生关联的三种方式
      (1) 方式一: 上传数据后修复
    -- 上传数据
    dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=12;
    hive (default)> dfs -put /opt/module/datas/dept.txt  /user/hive/warehouse/dept_partition2/month=201709/day=12;
    -- 查询数据(查询不到刚上传的数据)
    select * from dept_partition2 where month='201709' and day='12';
    -- 执行修复命令
    msck repair table dept_partition2;
    -- 再次查询数据
    select * from dept_partition2 where month='201709' and day='12';
    

    (2) 方式二:上传数据后添加分区

    -- 上传数据
    dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=11;
    dfs -put /opt/module/datas/dept.txt  /user/hive/warehouse/dept_partition2/month=201709/day=11;
    alter table dept_partition2 add partition(month='201709',
     day='11');
    -- 查询数据
    select * from dept_partition2 where month='201709' and day='11';
    

    (3) 方式三:创建文件夹后load数据到分区

    -- 创建目录
    dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=10;
    -- 上传数据
    load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201709',day='10');
    -- 查询数据
    hive (default)> select * from dept_partition2 where month='201709' and day='10';
    

    修改表

    1. 重命名表
    ALTER TABLE table_name RENAME TO new_table_name
    
    1. 增加/修改/删除表分区(参考上述的分区表操作)
    2. 增加/修改/替换列信息
    -- 更新列
    ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
    -- 增加和替换列
    ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...) 
    -- 添加列
    alter table dept_partition add columns(deptdesc string);
    -- 更新列
    alter table dept_partition change column deptdesc desc int;
    -- 替换列
    alter table dept_partition replace columns(deptno string, dname string, loc string);
    -- 删除表
    drop table dept_partition;
    

    DML数据操作(这里基本上和SQL保持一致)

    数据导入

    向表中装载数据(Load)

     load data [local] inpath '/opt/module/datas/student.txt' overwrite | into table student [partition (partcol1=val1,)];
    

    (1)load data:表示加载数据
    (2)local:表示从本地加载数据到hive表;否则从HDFS加载数据到hive表
    (3)inpath:表示加载数据的路径
    (4)overwrite:表示覆盖表中已有数据,否则表示追加
    (5)into table:表示加载到哪张表
    (6)student:表示具体的表
    (7)partition:表示上传到指定分区

    通过查询语句向表中插入数据(Insert)

    insert into table  student 
    partition(month='201709') 
    values(1,'wangwu');
    
    insert overwrite table student 
    partition(month='201708') 
    select id, name 
    from student 
    where month='201709';
    

    查询语句中创建表并加载数据(As Select)(这部分看我前面表的创建)

    创建表时通过Location指定加载数据路径

    -- 创建表,并指定在hdfs上的位置
    create table if not exists student5(
        id int, 
        name string
    )
    row format delimited fields terminated by '\t'
    location '/user/hive/warehouse/student5';
    -- 上传数据到hdfs上
    dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5 ;
    -- 查询数据
    select * from student5;
    

    Import数据到指定Hive表中

    注意:先用export导出后,再将数据导入。

    import table student2 partition(month='201709') from '/user/hive/warehouse/export/student';
    

    数据导出

    Insert导出

    -- 将查询的结果导出到本地
    insert overwrite local directory '/opt/module/datas/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/datas/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;
    

    Hadoop命令导出到本地

    dfs -get /user/hive/warehouse/student/month=201709/000000_0 /opt/module/datas/export/student3.txt;
    

    Hive Shell命令导出

    bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;
    

    Export 导出到HDFS上

    export table default.student to '/user/hive/warehouse/export/student';
    

    Sqoop导出(这个在Sqoop里面有提到,可以参考我的另一篇博客,还没写)

    清除表中的数据(Truncate只能删除管理表,不能删除外部表中数据)

    truncate table student;
    

    查询(HQL的查询与SQL基本保持一致,这里着重不讲普通的)

    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]
    

    全表查询/特定列查询/列别名(AS)/limit n

    (1)SQL 语言大小写不敏感。
    (2)SQL 可以写在一行或者多行
    (3)关键字不能被缩写也不能分行
    (4)各子句一般要分行写。
    (5)使用缩进提高语句的可读性。

    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

    常用的函数(COUNT()/MAX()/MIN()/SUM()/AVG())

    Where语句

    1. 使用WHERE子句,将不满足条件的行过滤掉
    2. WHERE子句紧随FROM子句

    比较运算符(Between/In/ Is Null)

    1. 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,其他的和等号(=)操作符的结果一致,如果任一为NULL则结果为NULL
    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,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’,可以位于开头,结尾或者字符串中间。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是一个正则表达式,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。

    Like和RLike

    1)使用LIKE运算选择类似的值
    2)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。
    3)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。

    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

    分组

    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。

    Hiving语句

    (1)where针对表中的列发挥作用,查询数据;having针对查询结果中的列发挥作用,筛选数据。
    (2)where后面不能写分组函数,而having后面可以使用分组函数。
    (3)having只用于group by分组统计语句。

    -- 求每个部门的平均工资
    select deptno, avg(sal) from emp group by deptno;
    -- 求每个部门的平均薪水大于2000的部门
    select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;
    

    Join语句

    等值Join

    Hive支持通常的SQL JOIN语句,但是只支持等值连接,不支持非等值连接。

    (1)使用别名可以简化查询。
    (2)使用表名前缀可以提高执行效率。

    -- 根据员工表和部门表中的部门编号相等,查询员工编号、员工名称和部门名称;
    select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
    

    内/左外/右外/满外/多表连接

    注意:连接 n个表,至少需要n-1个连接条件。例如:连接三个表,至少需要两个连接条件。
    SQL神经大条(1)JOIN操作的那些事

    笛卡尔积

    笛卡尔集会在下面条件下产生
    (1)省略连接条件
    (2)连接条件无效
    (3)所有表中的所有行互相连接

    连接谓词中不支持or

    排序

    Order By(一个reduce)

    1. 使用 ORDER BY 子句排序

    ASC(ascend): 升序(默认)

    DESC(descend): 降序

    1. ORDER BY 子句在SELECT语句的结尾
    -- 降序
    select * from emp order by sal desc;
    -- 别名
    select ename, sal*2 twosal from emp order by twosal;
    -- 多个列排序
    select ename, deptno, sal from emp order by deptno, sal ;
    

    Sort By(每个MapReduce内部排序)

    Sort By:每个Reducer内部进行排序,对全局结果集来说不是排序。

    Distribute By(分区排序)

    Distribute By:类似MR中partition,进行分区,结合sort by使用。
    注意,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。

    select * from emp distribute by deptno sort by empno desc;
    

    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。

    select * from emp cluster by deptno;
    -- 等价于
    select * from emp distribute by deptno sort by deptno;
    

    注意:按照部门编号分区,不一定就是固定死的数值,可以是20号和30号部门分到一个分区里面去。

    分桶及抽样查询

    分通表数据存储

    分区针对的是数据的存储路径;分桶针对的是数据文件。
    分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区,特别是之前所提到过的要确定合适的划分大小这个疑虑。
    分桶是将数据集分解成更容易管理的若干部分的另一个技术。

    -- 创建一个分通表
    create table stu_buck(
        id int, 
        name string
    )
    clustered by(id) 
    into 4 buckets
    row format delimited fields terminated by '\t';
    
    -- 导入数据
    load data local inpath '/opt/datas/hive/student.txt' into table stu_buck;
    

    然后我们查看数据后,发现并没有出现我们期待的分桶结果:
    hive-buck
    发现并没有分成4个桶。是什么原因呢?
    创建分通表时,数据通过子查询的方式导入

    -- 先建立一个普通的stu表
    create table stu(id int, name string) row format delimited fields terminated by '\t';
    -- 向普通的Stu表里面导入数据
    load data local inpath '/opt/datas/student.txt' into table stu;
    -- 清空stu_buck表中数据
    truncate table stu_buck;
    select * from stu_buck;
    -- 导入数据到分桶表,通过子查询的方式
    insert into table stu_buck
    select id, name from stu;
    

    结果如下:
    hive-buck_2

    -- 清空stu_buck表中数据
    truncate table stu_buck;
    select * from stu_buck;
    -- 设置两个属性
    set hive.enforce.bucketing=true;
    set mapreduce.job.reduces=-1;
    -- 导入数据到分桶表,通过子查询的方式
    insert into table stu_buck select id, name from stu;
    

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cx86eQnE-1575972419011)(https://sun-iot.coding.net/p/hexo-image/git/raw/master/bigdata/hive/hive-buck_3.png)]
    可以看到我们的分桶可行了。

    -- 查询数据
    select * from stu_buck;
    

    分桶抽样查询

    对于非常大的数据集,有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

    select * from stu_buck tablesample(bucket 1 out of 4 on id);
    

    注:tablesample是抽样语句,语法:TABLESAMPLE(BUCKET x OUT OF y) 。
    y必须是table总bucket数的倍数或者因子。hive根据y的大小,决定抽样的比例。例如,table总共分了4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。
    x表示从哪个bucket开始抽取,如果需要取多个分区,以后的分区号为当前分区号加上y。例如,table总bucket数为4,tablesample(bucket 1 out of 2),表示总共抽取(4/2=)2个bucket的数据,抽取第1(x)个和第3(x+y)个bucket的数据。
    注意:x的值必须小于等于y的值,否则

    FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck
    

    其他常用的查询函数

    NVL(空字段赋值)

    NVL:给值为NULL的数据赋值,它的格式是NVL( string1, replace_with)。它的功能是如果string1为NULL,则NVL函数返回replace_with的值,否则返回string1的值,如果两个参数都为NULL ,则返回NULL。

    -- 如果员工的comm为NULL,则用-1代替
    select nvl(comm,-1) from emp;
    -- 如果员工的comm为NULL,则用 mgr 列的数据代替
    select nvl(comm,mgr) from emp;
    

    CASE WHEN(条件,相当于if else)

    select 
      dept_id,
      sum(case sex when '男' then 1 else 0 end) male_count,
      sum(case sex when '女' then 1 else 0 end) female_count
    from 
      emp_sex
    group by
      dept_id;
    

    行转列

    CONCAT(string A/col, string B/col…): 返回输入字符串连接后的结果,支持任意个输入字符串;
    CONCAT_WS(separator, str1, str2,…): 它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL,返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
    COLLECT_SET(col): 函数只接受基本数据类型,它的主要作用是将某字段的值进行去重汇总,产生array类型字段。
    数据准备

    name constellation blood_type
    孙悟空 白羊座 A
    大海 射手座 A
    宋宋 白羊座 B
    猪八戒 白羊座 A
    凤姐 射手座 A

    需求
    把星座和血型一样的人归类到一起。

    射手座,A            大海|凤姐
    白羊座,A            孙悟空|猪八戒
    白羊座,B            宋宋
    
    select
        t1.base,
        concat_ws('|', collect_set(t1.name)) name
    from
        (select
            name,
            concat(constellation, ",", blood_type) base
        from
            person_info) t1
    group by
        t1.base;
    

    列转行

    **EXPLODE(col):**将hive一列中复杂的array或者map结构拆分成多行。
    LATERAL VIEW
    用法:LATERAL VIEW udtf(expression) tableAlias AS columnAlias
    解释:用于和split, explode等UDTF一起使用,它能够将一列数据拆成多行数据,在此基础上可以对拆分后的数据进行聚合。
    数据准备

    movie category
    《疑犯追踪》 悬疑,动作,科幻,剧情
    《Lie to me》 悬疑,警匪,动作,心理,剧情
    《战狼2》 战争,动作,灾难

    需求
    将电影分类中的数组数据展开。结果如下:

    《疑犯追踪》      悬疑
    《疑犯追踪》      动作
    《疑犯追踪》      科幻
    《疑犯追踪》      剧情
    《Lie to me》   悬疑
    《Lie to me》   警匪
    《Lie to me》   动作
    《Lie to me》   心理
    《Lie to me》   剧情
    《战狼2》        战争
    《战狼2》        动作
    《战狼2》        灾难
    
    select
        movie,
        category_name
    from 
        movie_info lateral view explode(category) table_tmp as category_name;
    

    窗口函数

    OVER(): 指定分析函数工作的数据窗口大小,这个数据窗口大小可能会随着行的变而变化
    CURRENT ROW: 当前行
    n PRECEDING: 往前n行数据
    n FOLLOWING: 往后n行数据
    UNBOUNDED: 起点,UNBOUNDED PRECEDING 表示从前面的起点, UNBOUNDED FOLLOWING表示到后面的终点
    LAG(col,n): 往前第n行数据
    LEAD(col,n): 往后第n行数据
    **NTILE(n)😗*把有序分区中的行分发到指定数据的组中,各个组有编号,编号从1开始,对于每一行,NTILE返回此行所属的组的编号。
    注意:n必须为int类型。
    数据准备

    # name,orderdate,cost
    
    jack,2017-01-01,10
    tony,2017-01-02,15
    jack,2017-02-03,23
    tony,2017-01-04,29
    jack,2017-01-05,46
    jack,2017-04-06,42
    tony,2017-01-07,50
    jack,2017-01-08,55
    mart,2017-04-08,62
    mart,2017-04-09,68
    neil,2017-05-10,12
    mart,2017-04-11,75
    neil,2017-06-12,80
    mart,2017-04-13,94
    

    需求
    (1)查询在2017年4月份购买过的顾客及总人数
    (2)查询顾客的购买明细及月购买总额
    (3)上述的场景,要将cost按照日期进行累加
    (4)查询顾客上次的购买时间
    (5)查询前20%时间的订单信息

    -- 创建表,导入数据
    create table business(
      name string, 
      orderdate string,
      cost int
    ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
    load data local inpath "/opt/datas/hive/business.txt" into table business;
    
    -- 查询在2017年4月份购买过的顾客及总人数
    select name,count(*) 
    over () 
    from business 
    where substring(orderdate,1,7) = '2017-04' 
    group by name;
    -- 查询顾客的购买明细及月购买总额
    select name,orderdate,cost,sum(cost) 
    over(partition by month(orderdate)) 
    from business;
    -- 上述的场景,要将cost按照日期进行累加
    select name,orderdate,cost, 
    sum(cost) over() as sample1,--所有行相加 
    sum(cost) over(partition by name) as sample2,--按name分组,组内数据相加 
    sum(cost) over(partition by name order by orderdate) as sample3,--按name分组,组内数据累加 
    sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,--和sample3一样,由起点到当前行的聚合 
    sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合 
    sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,--当前行和前边一行及后面一行 
    sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行 
    from business;
    -- 查询顾客上次的购买时间
    select 
      name,
      orderdate,
      cost, 
      lag(orderdate,1,'1900-01-01') 
      over(partition by name order by orderdate ) as time1, 
      lag(orderdate,2) 
      over (partition by name order by orderdate) as time2 
    from business;
    -- 查询前20%时间的订单信息
    select * from (
        select name,orderdate,cost, ntile(5) over(order by orderdate) sorted
        from business
    ) t
    where sorted = 1;
    

    Rank

    RANK() 排序相同时会重复,总数不会变
    DENSE_RANK() 排序相同时会重复,总数会减少
    ROW_NUMBER() 会根据顺序计算

    数据准备

    name subject score
    孙悟空 语文 87
    孙悟空 数学 95
    孙悟空 英语 68
    大海 语文 94
    大海 数学 56
    大海 英语 84
    宋宋 语文 64
    宋宋 数学 86
    宋宋 英语 84
    婷婷 语文 65
    婷婷 数学 85
    婷婷 英语 78

    需求
    计算每门学科成绩排名。

    select name,
      subject,
      score,
      rank() over(partition by subject order by score desc) rp,
      dense_rank() over(partition by subject order by score desc) drp,
      row_number() over(partition by subject order by score desc) rmp
    from score;
    

    到此呢,关于Hive的一些基本的介绍就结束啦,后面我会在介绍下Hive在企业级中的调优的。

    展开全文
  • 离线和实时大数据开发实战 目 录 前言 第一篇 数据大图和数据平台大图 第1章 数据大图 2 1.1 数据流程 2 1.1.1 数据产生 3 1.1.2 数据采集和传输 5 1.1.3 数据存储处理 6 1.1.4 数据应用 7 1.2 数据技术 8...

    离线和实时大数据开发实战

    目 录

    前言

    第一篇 数据大图和数据平台大图

    第1章 数据大图 2

    1.1 数据流程 2

    1.1.1 数据产生 3

    1.1.2 数据采集和传输 5

    1.1.3 数据存储处理 6

    1.1.4 数据应用 7

    1.2 数据技术 8

    1.2.1 数据采集传输主要技术 9

    1.2.2 数据处理主要技术 10

    1.2.3 数据存储主要技术 12

    1.2.4 数据应用主要技术 13

    1.3 数据相关从业者和角色 14

    1.3.1 数据平台开发、运维工程师 14

    1.3.2 数据开发、运维工程师 15

    1.3.3 数据分析工程师 15

    1.3.4 算法工程师 16

    1.3.5 业务人员 16

    1.4 本章小结 17

    第2章 数据平台大图 18

    2.1 离线数据平台的架构、技术和设计 19

    2.1.1 离线数据平台的整体架构 19

    2.1.2 数据仓库技术 20

    2.1.3 数据仓库建模技术 23

    2.1.4 数据仓库逻辑架构设计 26

    2.2 实时数据平台的架构、技术和设计 27

    2.2.1 实时数据平台的整体架构 28

    2.2.2 流计算技术 29

    2.2.3 主要流计算开源框架 29

    2.3 数据管理 32

    2.3.1 数据探查 32

    2.3.2 数据集成 33

    2.3.3 数据质量 33

    2.3.4 数据屏蔽 34

    2.4 本章小结 35

    第二篇 离线数据开发:大数据开发的主战场

    第3章 Hadoop原理实践 38

    3.1 开启大数据时代的Hadoop 38

    3.2 HDFS和MapReduce优缺点分析 40

    3.2.1 HDFS 41

    3.2.2 MapReduce 42

    3.3 HDFS和MapReduce基本架构 43

    3.4 MapReduce内部原理实践 46

    3.4.1 MapReduce逻辑开发 46

    3.4.2 MapReduce任务提交详解 47

    3.4.3 MapReduce内部执行原理详解 48

    3.5 本章小结 52

    第4章 Hive原理实践 53

    4.1 离线大数据处理的主要技术:Hive 53

    4.1.1 Hive出现背景 53

    4.1.2 Hive基本架构 55

    4.2 Hive SQL 56

    4.2.1 Hive 关键概念 57

    4.2.2 Hive 数据库 59

    4.2.3 Hive 表DDL 60

    4.2.4 Hive表DML 63

    4.3 Hive SQL执行原理图解 65

    4.3.1 select 语句执行图解 66

    4.3.2 group by语句执行图解 67

    4.3.3 join语句执行图解 69

    4.4 Hive函数 73

    4.5 其他SQL on Hadoop技术 74

    4.6 本章小结 76

    第5章 Hive优化实践 77

    5.1 离线数据处理的主要挑战:数据倾斜 77

    5.2 Hive优化 79

    5.3 join无关的优化 79

    5.3.1 group by引起的倾斜优化 79

    5.3.2 count distinct优化 80

    5.4 大表join小表优化 80

    5.5 大表join大表优化 82

    5.5.1 问题场景 82

    5.5.2 方案1:转化为mapjoin 83

    5.5.3 方案2:join时用case when语句 84

    5.5.4 方案3:倍数B表,再取模join 84

    5.5.5 方案4:动态一分为二 87

    5.6 本章小结 89

    第6章 维度建模技术实践 90

    6.1 大数据建模的主要技术:维度建模 90

    6.1.1 维度建模关键概念 91

    6.1.2 维度建模一般过程 95

    6.2 维度表设计 96

    6.2.1 维度变化 96

    6.2.2 维度层次 99

    6.2.3 维度一致性 100

    6.2.4 维度整合和拆分 101

    6.2.5 维度其他 102

    6.3 深入事实表 104

    6.3.1 事务事实表 104

    6.3.2 快照事实表 106

    6.3.3 累计快照事实表 107

    6.3.4 无事实的事实表 108

    6.3.5 汇总的事实表 108

    6.4 大数据的维度建模实践 109

    6.4.1 事实表 109

    6.4.2 维度表 110

    6.5 本章小结 110

    第7章 Hadoop数据仓库开发实战 111

    7.1 业务需求 112

    7.2 Hadoop数据仓库架构设计 113

    7.3 Hadoop数据仓库规范设计 114

    7.3.1 命名规范 115

    7.3.2 开发规范 115

    7.3.3 流程规范 116

    7.4 FutureRetailer数据仓库构建实践 118

    7.4.1 商品维度表 118

    7.4.2 销售事实表 120

    7.5 数据平台新架构——数据湖 121

    7.6 本章小结 123

    第三篇 实时数据开发:大数据开发的未来

    第8章 Storm流计算开发 127

    8.1 流计算技术的鼻祖:Storm技术 128

    8.1.1 Storm基本架构 129

    8.1.2 Storm关键概念 130

    8.1.3 Storm并发 132

    8.1.4 Storm核心类和接口 133

    8.2 Storm实时开发示例 133

    8.2.1 语句生成spout 134

    8.2.2 语句分割bolt 135

    8.2.3 单词计数bolt 136

    8.2.4 上报bolt 136

    8.2.5 单词计数topology 137

    8.2.6 单词计数并发配置 139

    8.3 Storm高级原语Trident 142

    8.3.1 Trident引入背景 142

    8.3.2 Trident基本思路 142

    8.3.3 Trident流操作 143

    8.3.4 Trident的实时开发实例 145

    8.4 Storm关键技术 147

    8.4.1 spout的可靠性 147

    8.4.2 bolt的可靠性 148

    8.4.3 Storm反压机制 149

    8.5 本章小结 150

    第9章 Spark Streaming流计算开发 151

    9.1 Spark生态和核心概念 151

    9.1.1 Spark概览 151

    9.1.2 Spark核心概念 153

    9.1.3 Spark生态圈 157

    9.2 Spark生态的流计算技术:Spark Streaming 158

    9.2.1 Spark Streaming基本原理 159

    9.2.2 Spark Streaming核心API 159

    9.3 Spark Streaming的实时开发示例 161

    9.4 Spark Streaming调优实践 162

    9.5 Spark Streaming关键技术 164

    9.5.1 Spark Streaming可靠性语义 164

    9.5.2 Spark Streaming反压机制 165

    9.6 本章小结 166

    第10章 Flink流计算开发 167

    10.1 流计算技术新贵:Flink 167

    10.1.1 Flink技术栈 168

    10.1.2 Flink关键概念和基本原理 169

    10.2 Flink API 172

    10.2.1 API概览 172

    10.2.2 DataStream API 173

    10.3 Flink实时开发示例 180

    10.4 Flink关键技术详解 182

    10.4.1 容错机制 182

    10.4.2 水位线 184

    10.4.3 窗口机制 185

    10.4.4 撤回 187

    10.4.5 反压机制 187

    10.5 本章小结 188

    第11章 Beam技术 189

    11.1 意图一统流计算的Beam 190

    11.1.1 Beam的产生背景 190

    11.1.2 Beam技术 191

    11.2 Beam技术核心:Beam Model 193

    11.3 Beam SDK 196

    11.3.1 关键概念 196

    11.3.2 Beam SDK 197

    11.4 Beam窗口详解 202

    11.4.1 窗口基础 202

    11.4.2 水位线与延迟数据 203

    11.4.3 触发器 204

    11.5 本章小结 205

    第12章 Stream SQL实时开发实战 206

    12.1 流计算SQL原理和架构 207

    12.2 流计算SQL:未来主要的实时开发技术 208

    12.3 Stream SQL 209

    12.3.1 Stream SQL源表 209

    12.3.2 Stream SQL结果表 209

    12.3.3 Stream SQL维度表 210

    12.3.4 Stream SQL临时表 211

    12.3.5 Stream SQL DML 211

    12.4 Stream SQL的实时开发实战 212

    12.4.1 select操作 212

    12.4.2 join操作 214

    12.4.3 聚合操作 218

    12.5 撤回机制 221

    12.6 本章小结 222

    参考文献 224

     

    221

    转载于:https://www.cnblogs.com/qianshuixianyu/p/10099854.html

    展开全文
  • 拥抱大数据的组织已准备好将数据投入使用,包括寻找有效地实时或接近实时分析各种来源的数据的方法。 能够大规模,快速地做到这一点,可以使组织自由地对生命发生的情况作出反应,并进行调整,从而在机会仍然存在的...
  • 拥抱大数据的组织已准备好将数据投入工作,包括寻找有效地实时或接近实时分析各种来源的数据的方法。 能够大规模,快速地做到这一点,可以使组织自由地对生活进行React,并进行调整,从而在机会仍然存在的情况下...
  • 《Oracle NoSQL数据库:实时大数据管理》讲述如何全面运用Oracle NoSQL数据库这个经济实惠的解决方案来存储、检索和更新海量的非结构化数据。本书在紧贴实用的示例的引导下,介绍Oracle NoSQL数据库的安装、配置、...
  • 这里将告诉您Sqlserver 高并发和大数据存储方案,具体实现方法:  随着用户的日益递增,日活和峰值的暴涨,数据库处理性能面临着巨大的挑战。下面分享下对实际10万+峰值的平台的数据库优化方案。与大家一起讨论,...
  • 1、概述 WeLab是业内领先的金融科技公司。我们以定制化服务的方式为合作伙伴提供金融智能解决方案,帮助合作伙伴实现金融科技创新。...WeLab的实时大数据平台是一套包含了数据实时采集、存储、集成、挖掘、分析和
  • 实时大数据平台PetaBase-s作为亿信华辰的一款数据存储产品,能帮助企业在这股大数据的数字化漩涡中激流勇进、加速前行。PetaBase-s是基于开源Hadoop 2.x 平台基础上开发的,具有软件著作权的国产分布式实时大数据...
  • 程一舰数据技术处大数据计算发展至今,已经形成了一个百花齐放的大数据生态,通用计算、定制开发、批量处理、实时计算、关系查询、图遍历以及机器学习等等,我们都可以找到各种对应的计算引擎来协助处理这些任务。...
  • 因为大数据时代促使数据量暴增,需要不断扩充存储空间,由此衍生出一些要求 低成本 易扩展 易使用(统一访问控制) 计算类型 离线批处理计算 实时交互计算 流计算 分布式存储 分布式文件系统 集群...
  • 作为解决方案厂商,MapGis是如何实现分布式大数据存储的呢? MapGIS在传统关系型空间数据库引擎MapGIS SDE的基础之上,针对地理大数据的特点,构建了MapGIS DataStore分布式数据库引擎,其集成整合了多种开源分布式...
  • 了解更多关于云数据库HBase,请点击此处
  • 在目前的大数据领域中,Hadoop被作为存储和分配海量数据的软件,而MapReduce则被作为处理这些海量数据的引擎。两者整合在一起可以批处理一些对时效性没有过高要求的数据。 那么对于近实时大数据分析应当怎么办呢?...
  • 随着工业4.0时代的到来,工业互联网和企业的智能化、信息化都将不断推进,传统的工业实时数据库和关系数据库已经难以完全胜任工业大数据存储,以HBase为代表的NoSQL数据库正在蓬勃发展,其完全分布式特征、高性能...
  • 对于近实时大数据分析应当怎么办呢?作为最先进的下一代开源技术Apache Spark已经为视频、传感器、交易等流数据的分析、机器学习、预测建模创造了条件。...在目前的大数据领域中,Hadoop被作为存储和分...
  • 这时候需要对多张表进行插入,尤其一些表 达到每天千万+的存储,随着时间的积累,传统的同步写入数据的方式显然不可取,经过试验,通过异步插入的方式改善了许多,但与此同时,对读取数据的实时性也需要做一定的牺牲...
  • Druid.io实时大数据原理介绍

    千次阅读 2018-04-01 22:19:50
    Druid.io是一个开源的,分布式的,列式存储的,适用于实时数据分析的OLAP系统。它能够快速聚合、灵活过滤、毫秒级查询、和低延迟数据导入。2011年,MetaMarkets公司为了解决广告交易中海量实时数据的分析问题,在...
  • 寻求容量、可靠性和速度... 大数据面临的最大挑战是大规模、实时的关联性分析。对于存储来说,高吞吐、低延迟的要求会越来越高,内存、闪存的重要性也会越来越高。 中国的大数据应用已经起步。记者采访了金融、互...
  • (4)流式的访问数据,HDFS的设计建立在更多地响应」次写人、多次读写”任务的基础上,这意味着一个数据集一由数据源生成,就会被复制分发到不同的存储节点中,然后响应各种各样的数据分析任务请求。在多数情况下,...
  • Hbase 作为实时存储框架在大数据业务下承担着举足轻重的地位,可以说目前绝大多数大数据场景都离不开Hbase。今天就先从 Hbase 基础入手,来说说 Hbase 经常用到却容易疏忽的基础知识。本文主要结构总结如下:Hbase ...
  • 随着大数据 2.0 时代悄然到来,大数据从简单的批处理扩展到了实时处理、流处理、交互式查询和机器学习应用。近年来涌现出诸多大数据应用组件,如 HBase、Hive、Kafka、Spark、Flink 等。开发者经常要用到不同的技术...
  • 数据产生到消费的四大过程:数据产生、数据采集和传输、数据存储处理以及数据应用。 at least once意味着每条消息会进行多次传输尝试,至少一次成功,即消息传输可能重复但不会丢失;exactly once的消息传输机制...
  • 提供高可靠性、高性能、列存储、可伸缩、实时读写nosql的数据库系统。 它介于nosql和关系型数据库之间,仅能通过主键(row key)和主键的range来检索数据,仅支持单行事务(可通过hive支持来实...
  • NewLife.XCode是一个有15年历史的...整个系列教程会大量结合示例代码和运行日志来进行深入分析,蕴含多年开发经验于其中,代表作有百亿级大数据实时计算项目。 开源地址:https://github.com/NewLifeX/X(求star, 9...
  • 允中 发自 凹非寺 量子位 报道 | 公众号 QbitAI 开源SQLFlow,反哺业界,同时小小秀出AI肌肉。 这就是蚂蚁金服近日开源首个将SQL应用于AI引擎项目...2017年5月,他正式加盟蚂蚁金服,担任计算存储首席架构师,并在201

空空如也

1 2 3 4 5 ... 20
收藏数 1,837
精华内容 734
关键字:

实时大数据存储