HiveSQL整理

1.用json_tuple函数处理json字符串

//创建外部表 读取整个json字符串
use hive_01;
create external table weibo_json(json string) location '/usr/test/weibo_info';
//载入数据
load data local inpath '/usr/test/testdate/weibo' into table weibo_json;
select * from weibo_json;
//创建内部表 做微博统计
create table weibo_info(
beCommentWeiboId string,
beForwardWeiboId string,
catchTime string,
commentCount int,
content string,
createTime string,
info1 string,
info2 string,
info3 string,
mlevel string,
musicurl string,
pic_list string,
praiseCount int,
reportCount int,
source string,
userId string,
videourl string,
weiboId string,
weiboUrl string) row format delimited fields terminated by ' ';

//json_tuple('字符串‘,json串中对应的每个字段名)

 //截取字符串并向weibo_info表载入数据

insert overwrite table weibo_info select json_tuple(substring(a.json,2,length(a.json)-2),"beCommentWeiboId",
"beForwardWeiboId","catchTime","commentCount","content","createTime","info1","info2","info3","mlevel",
"musicurl","pic_list","praiseCount","reportCount","source","userId","videourl","weiboId","weiboUrl") from weibo_json a;

2.其他操作

//修改分区（新分区中没有之前的数据）
alter table test_partition partition(year=2016) set location '/user/hive/warehouse/new_part/hive_01.db/test_partition/year=2016';

//表结构的修改信息同步到数据库中的元信息
msck repair table test_partition;

//时间戳转换成日期格式

FROM_UNIXTIME(时间戳,'yyyy-MM');

FROM_UNIXTIME(时间戳,'yyyy-MM-dd');

//返回字符串中该字符的位置，如果在第一个返回1，没有返回0

select instr('abc','a');

//带有复杂数据类型的表

create table test02(
id int,
name string,
hobby array<string>,//数组类型
decs struct<age:int,addr:string>,//相当于对象类型，数据集按照数组分割
others map<string,string>)//map类型，存的是k，v
row format delimited
fields terminated by ','//列的分割符号
COLLECTION ITEMS TERMINATED by':'//数组的分割符
MAP KEYS TERMINATED by '-';//集合的分割符

//复杂类型数据的查询

select id,name,hobby[1],decs.age,others[‘k值’] from test02;

内连接：inner join on （返回两个表中都符合条件的数据）

左外连接：left outter jon on（以左表为基准，返回数据，右表没有的返回null）

右外连接：right outter jon on（以右表为基准，返回数据，左表没有的返回null）

全连接：full outter join on（两个表的数据都返回，相当于查询两表的全部）

左半连接：left semi join on(只返回左表的数据，右表只能在on字句中设置过滤条件，相当于IN/EXISTS 子查询)

select count(u.uid) from user_login_info u left semi join weibo_info w on u.uid=w.userid;

3.排序

进行order by全排序，会导致所有的数据集中在一台reducer节点上，然后进行排序，这样很可能会超过单个节点的磁盘和内存存储能力导致任务失败，distribute by + sort by就是该替代方案，被distribute by设定的字段为KEY，数据会被HASH分发到不同的reducer机器上，然后sort by会对同一个reducer机器上的每组数据进行局部排序。

sort by是局部排序，每个Reducer内部进行排序，最后组合成结果 若需要全局排序结果, 只需再进行一次归并排序即可 需要根据实际情况设置Reducer个数

set mapreduce.job.reduces = 5;//设置Reducer个数（默认是3个）

使用distribute by和sort by进行分组排序 被distribute by设定的字段为KEY，数据会被HASH分发到不同的reducer机器上，然后sort by会对同一个reducer机器上的每组数据进行局部排序。

如果sort by与distribute by所使用的字段相同，可以缩写为cluster by 以便同时指定两者所用的列，默认数据只能为升序排序。不允许指定ASC/DESC

4.hive函数

cast(expr as <type>)	类型转换	select cast('1' as bigint);
split(string str,string par)	按照指定符号切割成array	select split('hello,sjdf',',');
regexp_extract(string subject, string pattern, int index)	基于正则表达式截取字符串	select regexp_extract('hello<B>nice</B>haha','<B>(.*)</B>',1);
trim(string word)	清除字符串空格	select trim('sjdf       ');
sum avg min max count 聚合函数	略	略

collect_set()和collect_list() 它们都是将分组中的某列转为一个数组返回，不同的是collect_list不去重而collect_set去重。array_contains()元素中是否含有该值。

求学生的选课情况

   数据准备:course

   格式介绍:表示有id为1,2,3的学生选修了课程course中a,b,c,d,e,f中其中几门。

//sql语句

select stuid,
case when array_contains(courses,'a') then 1 else 0 end as a,
case when array_contains(courses,'b') then 1 else 0 end as b,
case when array_contains(courses,'c') then 1 else 0 end as c,
case when array_contains(courses,'d') then 1 else 0 end as d,
case when array_contains(courses,'e') then 1 else 0 end as e,
case when array_contains(courses,'f') then 1 else 0 end as f
from (select stuid,collect_set(trim(courname)) as courses from course group by stuid) tmp;

//查询结果