Hive数据操作和数据查询

数据操作

加载数据

LOAD DATA [LOCAL] IMPATH 'path' [OVERWRITE] INTO TABLE tablename [PARTITION (column = x)];

• LOAD DATA 加载数据
• LOCAL 本地数据，不加LOCAL就是分布式文件系统数据
• OVERWRITE表示覆盖表中已有数据，否则表示追加

通过查询语言插入数据

这里使用了OVERWRITE关键字，之前分区内容会被覆盖掉。这是一次插入。

INSERT OVERWRITE INTO TABLE employees
PARTITION (country = 'US', state = 'OR')
SELECT * FROM staged_employees se
WHERE se.cnty = 'US' AND se.st = 'OR';

以下为多次插入，对多个分区目录插入数据

FROM staged_employees se
INSERT OVERWRITE TABLE employees
    PARTITION (country = 'US',state = 'OR')
    SELECT * WHERE se.cnty = 'US' AND se.st = 'OR'
INSERT OVERWRITE TABLE employees
    PARTITION (country = 'US',state = 'CA')
    SELECT * WHERE se.cnty = 'US' AND se.st = 'CA'
···

动态分区插入，会自动根据字段匹配插入数据，这个减少了代码量。根据国家和州，自动分区插入数据。也可以动态和静态混合使用。动态分区功能默认情况下没有开启。

INSERT OVERWRITE TABLE employees
PARTITION (country,state)
SELECT se.cnty,se.st
FROM staged_employees se;

创建表并加载数据

用AS SELECT关键字

CREATE TABLE ca_employees
AS SELECT name,salary,address
FROM employees se
WHERE se.state = 'CA'

导出数据

• 写出多少个文件取决于调用的reducer个数
• 不管源表数据如何存储，Hive会把所有字段序列化成字符串写入文件
• 没有LOCAL，导入到HDFS系统上

INSERT OVERWRITE [LOCAL] DIRECTORY '/path'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '	'
SELECT name, salary, address
FROM employees se
WHERE se.state = 'CA';

数据查询

查询语句

SELECT [ALL | DISTINCT] column1,column2
FROM tablename
[WHERE condition]
[GROUP BY col]
[ORDER BY col]
[CLUSTER BY col]
[SOTY BY col]
[LIMIT number]

常用函数：count max min sum avg

正则表达式 %任意个 _一个

CASE...WHEN...THEN句式

SELECT name,salary
    CASE
        WHEN salary <5000 THEN 'low'
        WHEN              THEN
        ELSE 
    END 
    FROM employees;

Hive对某些情况的查询不必启动MapReduce，比如简单查询表存储目录下的文件，包括WHERE过滤条件

Hive只支持等值连接。JOIN ON

四种排序的差异：ORDER BY、SORT BY、DISTRIBUTE BY、

• ORDER BY，全局排序
• SORT BY，区内排序，一般和DISTRIBUTE BY一起用。SORT BY是对一个reduce内的数据排序。DISTRIBUTE BY控制map的输出在reducer中如何划分的
• CLUSTER BY，相当于SORT BY和DISTRIBUTE BY一起用

分桶表

分区针对的是数据的存储路径，分桶针对的是数据文件。分桶是将数据集分解成更容易管理的若干部分的一种技术。

创建分桶表

CREATE TABLE tablename(col type)
CLUSTER BY (col)
INTO 4 BUCKETS
//创建分桶表，分成4个桶，有4个文件。

导入数据时，要用MapReduce中的PARTITIONER。这样导入后，目录下有4个文件。

//先设置桶属性
set hive.enforce.bucketing=true;
set mapreduce.job.reduces=-1;//根据桶的个数确定reduce个数，也就是4个。

INSERT INTO TABLE table1
SELECT * FROM table2

抽样查询

对于大数据集，用户需要使用一个具有代表性的查询结果，而不是全部的查询结果，可以通过对表进行抽样来满足这个需求

SELECT * FROM tablename TABLESAMPLE(bucket x out of y on col);
//根据y的大小决定抽样比例
z个桶，(x,y) 抽z/y个桶数据