1. 分桶表以及分桶抽样查询
1.1 分桶表
对Hive(Inceptor)表分桶可以将表中记录按分桶键(某个字段对应的的值)的哈希值分散进多个文件中，这些小文件称为桶。
如要按照name属性分为3个桶，就是对name属性值的hash值对3取摸，按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件，取模为1的数据存放到一个文件，取模为2的数据存放到一个文件。
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（可能某个分区的数据过大）。
分区针对的是数据的存储路径；分桶针对的是数据文件
把表或分区划分成bucket有两个理由
- 更快，桶为表加上额外结构，链接相同列划分了桶的表，可以使用map-side join更加高效。
- 取样sampling更高效。没有分区的话需要扫描整个数据集。
数据如下（student.txt）
（1）创建分桶表
create table buck_demo(id int, name string) clustered by(id) into 4 buckets row format delimited fields terminated by ' ';
（2）建一个普通的stu表
create table stu(id int, name string) row format delimited fields terminated by ' ';
（3）向普通的stu表中导入数据
load data local inpath "/root/hive/student.txt" into table buck_demo;
（4）设置分桶表的属性
set hive.enforce.bucketing=true; -- 开启分桶 set mapreduce.job.reduces=-1; -- 默认reduce个数
（5）将数据导入分桶表（不能用load直接导入，会报错）
insert into table buck_demo select id, name from stu;
（6）查看结果
1.2 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。
从大量的数据中根据某个字段的hashcode%y(样本的个数 ,桶数)获取部分样本数据，对抽样的表是没有要求的 , 分桶表普通表都可以
例：查询表buck_sku中的数据
hive (default)> select * from buck_demo tablesample(bucket 1 out of 4 on id);
注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) ，其中y为数据按照字段分的份数，x为从数据中获取第几份，x<=y
查询结果：
2. 导出数据
2.1 将查询的数据导出到本地的文件夹中
insert overwrite local directory "路径" select * from tbname ;
例：将stu表中查出的数据导入/root/hive/stu中
（1）导出的数据无分割符
insert overwrite local directory "/root/hive/stu" select * from stu ;
结果
可见，导入到本地后的数据是被格式化的（无分割符）
（2）导出的数据可以自定义分割符
1 insert overwrite local directory "/root/hive/stu2/" 2 ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 3 select * from stu ;
结果：
2.2 将数据导出到HDFS系统中
同2.1（只是去掉local）
2.3 直接在linux的终端执行hivesql命令的方式将数据导出数据
补充：
hive -e sql语句 hive -f sql内容的文件
例如，需求同2.1
hive -e "use mydb1;select * from stu;" > // >> /root/hive/res.txt
此处一个“>”表示覆盖导出，“>>”表示追加导出
2.4 export的形式
export 导出特殊格式 结合 inport导入使用
export table tbname to "文件夹"
3 Hive的数据类型（见文档）
3.1 基本数据类型
见文档
3.2 集合数据类型
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
4 逐行运算查询基本语法
4.1 select....from tb_name(省略号处的用法)
select 运算关键字 1 获取变量 2 打印常量 3 执行算术运算 4 调用函数 from 数据集 遍历每行执行一次
以查询stu表为例
select id , --表中的字段名 (遍历表中的每行数据 获取这个变量名的值 展示) name , id+1 newid1 , -- 1002.0 隐式类型转换 cast(id as int) +1 intid, -- 强制转换 1002 "hello"+name helloname ,-- null+any null concat("hello " , name) newname , -- 每行执行 "tomcat" , 1+1, current_database() -- 当前数据库 from stu ;
结果
4.2 where，group by的用法
（1） where......
where表示对表中所有原始数据的过滤，其后面可接：> >= < <= and or in like not null between and，与where对应的即是having，having表示对表中分组后的数据进行过滤
（2）group by 分组，在前面使用如下聚合函数
sum avg min max count
补充：group by 的用法和原理（https://blog.csdn.net/hengji666/article/details/54924387）
为什么不能够select * from Table group by id，为什么一定不能是*，而是某一个列或者某个列的聚合函数，group by 多个字段可以怎么去很好的理解呢？不过最后还是转过来了
=========正文开始===========
先来看下表1，表名为test：
表1
执行如下SQL语句：
1 SELECT name FROM test
2 GROUP BY name
你应该很容易知道运行的结果，没错，就是下表2：
表2
可是为了能够更好的理解“group by”多个列“和”聚合函数“的应用，我建议在思考的过程中，由表1到表2的过程中，增加一个虚构的中间表：虚拟表3。下面说说如何来思考上面SQL语句执行情况：
1.FROM test：该句执行后，应该结果和表1一样，就是原来的表。
2.FROM test Group BY name：该句执行后，我们想象生成了虚拟表3，如下所图所示，生成过程是这样的：group by name，那么找name那一列，具有相同name值的行，合并成一行，如对于name值为aa的，那么<1 aa 2>与<2 aa 3>两行合并成1行，所有的id值和number值写到一个单元格里面。
3.接下来就要针对虚拟表3执行Select语句了：
（1）如果执行select *的话，那么返回的结果应该是虚拟表3，可是id和number中有的单元格里面的内容是多个值的，而关系数据库就是基于关系的，单元格中是不允许有多个值的，所以你看，执行select * 语句就报错了。
（2）我们再看name列，每个单元格只有一个数据，所以我们select name的话，就没有问题了。为什么name列每个单元格只有一个值呢，因为我们就是用name列来group by的。
（3）那么对于id和number里面的单元格有多个数据的情况怎么办呢？答案就是用聚合函数，聚合函数就用来输入多个数据，输出一个数据的。如cout(id)，sum(number)，而每个聚合函数的输入就是每一个多数据的单元格。
（4）例如我们执行select name,sum(number) from test group by name，那么sum就对虚拟表3的number列的每个单元格进行sum操作，例如对name为aa的那一行的number列执行sum操作，即2+3，返回5，最后执行结果如下：
（5）group by 多个字段该怎么理解呢：如group by name,number，我们可以把name和number 看成一个整体字段，以他们整体来进行分组的。如下图
（6）接下来就可以配合select和聚合函数进行操作了。如执行select name,sum(id) from test group by name,number，结果如下图：
例：
数据
创建表
create table groupdemo( uid string , name string , age int , gender string , address string ) row format delimited fields terminated by "," ; load data local inpath "/hive/groupdemo.txt" into table groupdemo ;
sql语句
select gender , address, count(*) num from groupdemo -- where.... group by gender , address -- having num >=2 -- 对分组后的数据进行过滤 order by num desc , address asc limit 1 , 2 -- 数字一 数据的起始行(0开始计数) 数字二是显示的行数
5. case when
案例：
数据
需求：
求出不同部门男女各多少人。结果如下：
（1）建表
create table case_demo( name string , dname string , gender string ) row format delimited fields terminated by " "; load data local inpath "/root/hive/case.txt" into table case_demo;
（2）初步尝试
select dname , gender , count(*) // count(字段) 若字段为null 则不会统计 from case_demo group by dname , gender ;
此处的group by用法见4
（3）第一种语法
select dname , sum(case gender when "男" then 1 else 0 end) M , sum(case gender when "女" then 1 else 0 end) F from case_demo group by dname ;
结果（此案例答案）
第二种语法
select * , case when dname="A" then "销售部" when dname="B" then "财务部" else "" end cname from case_demo ;
5.2 练习
有三张表，如下
准备：
建立三张表并导入相应的数据
工资表
create table gz( uid int, jb int, jj int, tc int, deptno int ) row format delimited fields terminated by ","; load data local inpath "/hive/salary.txt" into table gz;
部门表
create table bm( deptno string , name string ) row format delimited fields terminated by ","; load data local inpath "/hive/bm.txt" into table bm;
员工信息表
create table yg( uid int, name string, gender string, age int ) row format delimited fields terminated by ","; load data local inpath "/hive/yuangong.txt" into table yg;
（1）求出公司中每个员工的姓名和三类收入中最高那种收入的类型
sql语句（自己的写法）如下
select yg.name,greatest(gz.jb, gz.jj, gz.tc) max_salary, case when gz.jb == greatest(gz.jb, gz.jj, gz.tc) then "jb" when gz.jj == greatest(gz.jb, gz.jj, gz.tc) then "jj" when gz.tc == greatest(gz.jb, gz.jj, gz.tc) then "tc" else "" end category from yg join gz on gz.uid=yg.uid;
自己犯的错误：
when后面不能使用max_salary来代替greatest(gz.jb, gz.jj, gz.tc)
结果
改进：使用子查询
select yg.name, t.max_sal , t.category from yg join (select uid , greatest(jb , jj , tc) max_sal, case when jj == greatest(jb , jj , tc) then "jj" when jb == greatest(jb , jj , tc) then "jb" when tc == greatest(jb , jj , tc) then "tc" end category from gz ) t on yg.uid = t.uid;
（2）求出公司中每个岗位（部门）的薪资综合
自己犯的错：
select bm.name，sum(gz.jb+gz.jj+gz.tc) from bm join gz on bm.deptno = gz.deptno ;
sum(gz.jb+gz.jj+gz.tc)表示求选中的字段对应值的总和，其得到的时一个值，而bm.name为多个值，这样没法查询（sum一般时在分组后使用）
第一步：获取包含用户名，salary，部门编号的表
select * from bm join gz on bm.deptno = gz.deptno ;
结果
第二步：在第一步的基础上进行分组聚合
select name, sum(jb+jj+tc) total_salary from (select * from bm join gz on bm.deptno = gz.deptno) t group by name;
结果
（3）求出公司中每个岗位不同性别员工薪资总和
知识补充：多表关联的两种方式（以此例为例）
// 第一种：from 表A join 表B on。。。join 表C on ... select yg.gender,gz.jj ,gz.jb,gz.tc,bm.name from gz join yg on gz.uid=yg.uid join bm on gz.deptno=bm.deptno // 第二种:from 表A join 表B join 表C on 表A与表B关联条件 and 与表C关联的条件 select yg.gender,gz.jj ,gz.jb,gz.tc,bm.name from yg join gz join bm on yg.uid = gz.uid and gz.deptno = bm.deptno
第二种关联形式一定要注意关联条件的顺序
思路：需求中存在三个表中的字段，所以先要将三张表管关联起来，然后进行分组聚合
select name,gender, sum(jb+jj+tc) total_salary from (select yg.gender,gz.jj ,gz.jb,gz.tc,bm.name from gz join yg on gz.uid=yg.uid join bm on gz.deptno=bm.deptno) t group by name,gender;
结果
（4）求出公司中不同性别、不同年龄阶段（20-30,31-40,41-50）的员工薪资总和
思路：先对表进行关联操作，获取包含性别，年龄阶段（使用case when 获取）工资的表，然后进行分组聚合
第一步：获取包含需要字段的表
select gender,age_level,gz.jb,gz.jj,gz.tc from (select gender,uid, case when age >=20 and age <=30 then "20~30" when age >=31 and age <=40 then "31~40" when age >=41 and age <=50 then "41~50" else "" end age_level from yg ) t join gz on gz.uid=t.uid
结果
第二步：分组聚合
select gender, age_level, sum(jb+jj+tc) total_salary from (select gender,age_level,gz.jb,gz.jj,gz.tc from (select gender,uid, case when age >=20 and age <=30 then "20~30" when age >=31 and age <=40 then "31~40" when age >=41 and age <=50 then "41~50" else "" end age_level from yg ) t join gz on gz.uid=t.uid ) t1 group by gender, age_level
结果
6. 排序
order by：全局排序
sort by：每个区内排序
6.1 设置reduce的个数
set mapreduce.job.reduces=n;
查看reduce任务的个数
set mapreduce.job.reduces;
6.2 案例：以stu表为例，stu表结构如下
（1）不指定分区字段
设置reduce的个数为3（即3个分区）
sql语句：
insert overwrite local directory "/hive/stu_sort/" row format delimited fields terminated by " " select * from stu distribute by sname sort by sid desc ;
结果
（2）指定分区字段 distribute by name（按照name的hashcode值 mod reduce任务的个数 从而得到分区数）
insert overwrite local directory "/root/hive/stu_sort1/" row format delimited fields terminated by " " select * from stu distribute by name sort by id desc ;
结果
（3）cluster by
当分区字段和排序字段相同时，可以直接使用cluster by 相同的字段，下面两种sql写法等价
select * from stu cluster by id; select * from emp distribute by id sort by id;
（4）小结
1 order by 全局排序 desc asc 2 sort by 区内排序 默认分区 3 distribute by 指定分区字段 结合 sort by 区内排序 4 cluster by 当 distribute by 和 sort by 是同一个字段 且升序的时候使用cluster by 替代 (只能升序)