hql语法及自定义函数（含array、map讲解） + hive的java api

本博文的主要内容如下：

　　.hive的详细官方手册

　　    .hive支持的数据类型

　　  　.Hive Shell

　　.Hive工程所需依赖的jar包 

　　.hive自定义函数

　　.分桶4

 　　   .附PPT

hive的详细官方手册

http://hive.apache.org/

 

https://cwiki.apache.org/confluence/display/Hive/LanguageManual

　　标准的SQL，hive都支持。

这就是，为什么目前hive占有市场这么多，因为，太丰富了，当然，Spark那边的Spark SQL，也在不断地进步。

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Types

　　非常多，自行去研究，这里不多赘述。

将查询结果，写到本地文件或hdfs里的文件

//write to hdfs

insert overwrite local directory '/home/hadoop/hivetemp/test.txt' select * from tab_ip_part where part_flag='part1';    //路径可以是Linux本地的

insert overwrite directory '/hiveout.txt' select * from tab_ip_part where part_flag='part1';  //路径也可以是hdfs里的

这里，不演示

//array

create table tab_array(a array<int>,b array<string>)
row format delimited
fields terminated by '	'
collection items terminated by ',';

示例数据

tobenbrone, laihama,woshishui     13866987898,13287654321
abc,iloveyou,itcast     13866987898,13287654321

select a[0] from tab_array;
select * from tab_array where array_contains(b,'word');
insert into table tab_array select array(0),array(name,ip) from tab_ext t;

//map

create table tab_map(name string,info map<string,string>)
row format delimited
fields terminated by '	'
collection items terminated by ';'
map keys terminated by ':';

示例数据：

fengjie                         age:18;size:36A;addr:usa
furong          age:28;size:39C;addr:beijing;weight:180KG

load data local inpath '/home/hadoop/hivetemp/tab_map.txt' overwrite into table tab_map;
insert into table tab_map select name,map('name',name,'ip',ip) from tab_ext;

　　这里，不多赘述。

//struct

create table tab_struct(name string,info struct<age:int,tel:string,addr:string>)
row format delimited
fields terminated by '	'
collection items terminated by ','

load data local inpath '/home/hadoop/hivetemp/tab_st.txt' overwrite into table tab_struct;
insert into table tab_struct select name,named_struct('age',id,'tel',name,'addr',country) from tab_ext;

　　这里，不多赘述。

Hive Shell

//cli shell

hive -S -e 'select country,count(*) from tab_ext' > /home/hadoop/hivetemp/e.txt 

　　有了这种执行机制，就使得我们可以利用脚本语言（bash shell,python）进行hql语句的批量执行

select * from tab_ext sort by id desc limit 5;

 
select a.ip,b.book from tab_ext a join tab_ip_book b on(a.name=b.name);

　　思考一个问题：就说，一个业务场景里面，写sql语句去分析作统计，往往不是一句sql语句能搞定的，sql对一些字段或函数或自定义函数处理会得出一些中间结果，中间结果存在中间表里，然后，才可进入下一步的处理。可能，你需写好多条sql语句，按照批量，流程去走，以前在关系型数据库里，是按照流程处理过程做的。

　　hive里，不支持存储过程的语法，那若有一个模型，这个模型里有十几个sql语句，一条一条写很麻烦，那么，hive在想，能不能组织成批量去运行呢？则借外部的工作（如写一个shell脚本，执行十几个sql语句）。

　　可以参照

Sqoop 脚本开发规范（实例手把手带你写sqoop export和sqoop import）

在shell下，接收。

//cli shell

hive -S -e 'select country,count(*) from tab_ext' > /home/hadoop/hivetemp/e.txt 

　　有了这种执行机制，就使得我们可以利用脚本语言（bash shell,python）进行hql语句的批量执行

select * from tab_ext sort by id desc limit 5;
select a.ip,b.book from tab_ext a join tab_ip_book b on(a.name=b.name);

　　如业务场景里，

　　有了这种执行机制，就使得我们可以利用脚本语言（bash shell,python）进行hql语句的批量执行。

bash shell和python是最常用的两种脚本语言。

新建包，cn.itcast.bigdata

新建，PhoneNbrToArea.java

编写代码

解压

　　为了方便，把D:SoftWarehive-0.12.0lib的jar包，全导入进去，但是，还要导入hadoop-core-***.Jar。（初学，还是手动吧！）

　　查阅了一些资料。在hive工程，所依赖的jar包，一般都是有如下就好了。12个jar包。

http://xiaofengge315.blog.51cto.com/405835/1408512

http://blog.csdn.net/haison_first/article/details/41051143

 

commons-lang-***.jar

commons-logging-***.jar

commons-logging-api-***.jar

hadoop-core-***.jar

hive-exec-***.jar

hive-jdbc-***.jar

hive-metastore-***.jar

hive-service-***.jar

libfb***.jar

log4j-***.jar

slf4j-api-***.jar

sl4j-log4j-***.jar

说明，注意了，在hadoop-2.X版本之后，hadoop-core-***.jar，没有了，被分散成其他的jar包了。以前，是放在hadoop压缩包下的share目录下的

http://zhidao.baidu.com/link?url=KI6ZkudqskDjAthYc2PtTlmB_3FhR3OaMzm4Wcrl_oCkaJfBhaTd7mHSHsy1lkPYO8xa0EGhpD8RSnYdnpkDkGiZX04qff3ul3-xX-cOi07

　　2.x系列已经没有hadoop-core的jar包了，变成一个个散的了，像下面这样

　　鉴于此，因为，hive工程依赖于hive jar依赖包，日志jar包。

由于hive的很多操作依赖于mapreduce程序，因此，hive工程中还需引入hadoop包。

udf和jdbc连接hive需要的jar包，基本是最简的了。

在这一步，各有说法，但是确实，是不需要全部导入，当然，若是图个方便，可全部导入。

我这里，hadoop的版本是，hadoop-2.4.1，hive的版本是，hive-0.12.0。（因为，这个是自带的）

再谈hive-1.0.0与hive-1.2.1到JDBC编程忽略细节问题

 

Hive工程所需依赖的jar包 

总结：就是将D:SoftWarehadoop-2.4.1sharehadoopcommon下的hadoop-common-2.4.1.jar

，以及D:SoftWarehive-0.12.0lib下的所有。即可。（图个方便）！

当然，生产里，不建议这么做。

也参考了网上一些博客资料说，不需这么多。此外，程序可能包含一些间接引用，以后再逐步逐个，下载，添加就是。复制粘贴到hive-0.12.0lib 里。

 去 http://mvnrepository.com/ 。

　　参考我的博客

                         Eclipse下新建Maven项目、自动打依赖jar包

2 weekend110的HDFS的JAVA客户端编写 + filesystem设计思想总结

weekend110-hive   ->   Build Path   ->  Configure Build Path

总结：就是将D:SoftWarehadoop-2.4.1sharehadoopcommon下的hadoop-common-2.4.1.jar

，以及D:SoftWarehive-0.12.0lib下的所有。即可。（图个方便）！

D:SoftWarehive-0.12.0lib下的所有

D:SoftWarehadoop-2.4.1sharehadoopcommon下的hadoop-common-2.4.1.jar

package cn.itcast.bigdata;
import java.util.HashMap;
import org.apache.hadoop.hive.ql.exec.UDF;



public class PhoneNbrToArea extends UDF{
    private static HashMap<String, String> areaMap = new HashMap<>();
    static {
       areaMap.put("1388", "beijing");
       areaMap.put("1399", "tianjin");
       areaMap.put("1366", "nanjing");
    }

   

    //一定要用public修饰才能被hive调用
    public String evaluate(String pnb) {
       String result  = areaMap.get(pnb.substring(0,4))==null? (pnb+"    huoxing"):(pnb+"  "+areaMap.get(pnb.substring(0,4)));      
       return result;
    }
}

 

 

默认是/root/下，

这里，我改下到/home/hadoop/下

//UDF

select if(id=1,first,no-first),name from tab_ext;

hive>add jar /home/hadoop/myudf.jar;
hive>CREATE TEMPORARY FUNCTION my_lower AS 'org.dht.Lower';
select my_upper(name) from tab_ext;  

 hive自定义函数

接下来，创建hive自定义函数，来与它关联。Hive自带的函数是永久，我们自定义的函数是TEMPORARY。

 

得要去掉， 不然后续处理，会出现问题。

　　在企业里，使用hive是有规范步骤的，一般在采用元数据，自动用mapreduce程序，清洗之后，再给hive。

　　数据采集  -》   数据清洗   -> 数据归整   ->   再交给hive 

分桶

　　注意：普通表（外部表、内部表）、分区表这三个都是对应HDFS上的目录，桶表对应是目录里的文件

//CLUSTER <--相对高级一点，你可以放在有精力的时候才去学习>

create table tab_ip_cluster(id int,name string,ip string,country string)

clustered by(id) into 3 buckets;   //根据id来分桶，分3桶

load data local inpath '/home/hadoop/ip.txt' overwrite into table tab_ip_cluster;

set hive.enforce.bucketing=true;

insert into table tab_ip_cluster select * from tab_ip;

select * from tab_ip_cluster tablesample(bucket 2 out of 3 on id);

　　分桶是细粒度的，分桶是不同的文件。

　　分区是粗粒度的，即相当于，表下建立文件夹。分区是不同的文件夹。

桶在对指定列进行哈希计算时，会根据哈希值切分数据，使每个桶对应一个文件。

　　里面的id是哈希值，分过来的。

分桶，一般用作数据倾斜和数据抽样方面。由此，可看出是细粒度。

附PPT