Hive操作语句实例讲解(帮助你了解 桶 bucket)

时间:2023-03-09 07:23:48
Hive操作语句实例讲解(帮助你了解 桶 bucket)

http://blog.sina.com.cn/s/blog_66474b16010182yu.html这篇可以较好地理解什么是外部表external

#创建表人信息表  person(String name,int age)

 hive> create table person(name STRING,age INT)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ESCAPED BY '\\' STORED AS TEXTFILE;

 OK

 Time taken: 0.541 seconds

#创建表票价信息表 ticket(int age,float price)

 hive> create table ticket(age INT,price FLOAT)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ESCAPED BY '\\' STORED AS TEXTFILE;

 OK

 Time taken: 0.154 seconds

#创建本地数据文件

 -rw-rw-r-- 1 hadoop hadoop  40 Feb  6 13:28 person.txt

 -rw-rw-r-- 1 hadoop hadoop  45 Feb  6 13:28 ticket.txt

#将本地的数据文件load到hive数据仓库中

 hive> LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/person.txt' OVERWRITE INTO TABLE person;

 Copying data from file:/home/hadoop/hfxdoc/person.txt

 Copying file: file:/home/hadoop/hfxdoc/person.txt

 Loading data to table default.person

 Deleted hdfs://10.15.107.155:8000/user/hive/warehouse/person

 OK

 Time taken: 0.419 seconds

 hive> LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/ticket.txt' OVERWRITE INTO TABLE ticket;

 Copying data from file:/home/hadoop/hfxdoc/ticket.txt

 Copying file: file:/home/hadoop/hfxdoc/ticket.txt

 Loading data to table default.ticket

 Deleted hdfs://10.15.107.155:8000/user/hive/warehouse/ticket

 OK

 Time taken: 0.25 seconds

#load命令会将数据文件移动到配置好的数据路径下:/user/hive/warehouse

 hive> show tables;

 hive> describe person

 hive> select * from person;

 OK

 huang   26

 lili    25

 dongdong        13

 wangxiao        5

 Time taken: 0.092 seconds

 hive> 

 #注意select *语句是不会编译成MapReduce程序的,所以很快。

#稍作复杂点的join查询

 hive> select * from person join ticket on person.age = ticket.age;

 MapReduce Total cumulative CPU time: 5 seconds 510 msec

 Ended Job = job_201301211420_0011

 MapReduce Jobs Launched: 

 Job 0: Map: 2  Reduce: 1   Cumulative CPU: 5.51 sec   HDFS Read: 519 HDFS Write: 71 SUCCESS

 Total MapReduce CPU Time Spent: 5 seconds 510 msec

 OK

 wangxiao        5       5       10.0

 dongdong        13      13      20.0

 lili    25      25      30.0

 huang   26      26      30.0

 Time taken: 32.465 seconds

 #这里查询语句被编译成MapReduce程序,在hadoop上执行

#采用外部表

#首先将本地文件put到hdfs文件路径下

 [hadoop@localhost hfxdoc]$ hadoop fs -mkdir /tmp/ticket

 [hadoop@localhost hfxdoc]$ hadoop fs -put person.txt /tmp/ticket

 [hadoop@localhost hfxdoc]$ hadoop fs -put ticket.txt /tmp/ticket          

 [hadoop@localhost hfxdoc]$ hadoop fs -ls /tmp/ticket

 Found 2 items

 -rw-r--r--   1 hadoop supergroup         40 2013-02-06 13:45 /tmp/ticket/person.txt

 -rw-r--r--   1 hadoop supergroup         45 2013-02-06 13:45 /tmp/ticket/ticket.txt

create external table person_ext(name STRING,age INT)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ESCAPED BY '\\' STORED AS TEXTFILE LOCATION '/tmp/ticket'

#LOCATION只能配置数据路径,而刚刚我们的路径下有两个表的文件?这样创建的其中一个表可以吗?

#不可以!所以,一个文件路径下面的所有文件都应该是关联这个数据表的数据文件。

#如果有其他表的文件,这个创建过程不会报错,因为,hive默认文本里的字符串类型都可以隐式转换成任何其他数据类型。比如你还有一个文件是一行三列的,那么第三列

#在person表中是解析不到的,如果每行只有一列,那么第二列将会用NULL来补齐。所以我们调整下hdfs文件路径。

 hive> select * from person_ext;

 OK

 huang   26

 lili    25

 dongdong        13

 wangxiao        5

 1       10

 2       10

 5       10

 13      20

 14      20

 25      30

 26      30

 31      40

 Time taken: 0.088 seconds

 hive> drop table person_ext;

#Drop外表的操作不会删除元信息以为的数据,所以hdfs上还是存在数据文件

#复杂类型的数据表,这里列之间以'\t'分割,数组元素之间以','分割

 #数据文件内容如下

 1 huangfengxiao   beijing,shanghai,tianjin,hangzhou

 2 linan   changchu,chengdu,wuhan

 

 hive> create table complex(name string,work_locations array<string>)

     > ROW FORMAT DELIMITED

     > FIELDS TERMINATED BY '\t'

     > COLLECTION ITEMS TERMINATED BY ',';

hive> describe complex;

 OK

 name    string

 work_locations  array<string>

hive> LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/complex.txt' OVERWRITE INTO TABLE complex

 hive> select * from complex;                                                                

 OK

 huangfengxiao   ["beijing","shanghai","tianjin","hangzhou"]

 linan   ["changchu","chengdu","wuhan"]

 Time taken: 0.125 seconds

hive> select name, work_locations[0] from complex;

 MapReduce Total cumulative CPU time: 790 msec

 Ended Job = job_201301211420_0012

 MapReduce Jobs Launched: 

 Job 0: Map: 1   Cumulative CPU: 0.79 sec   HDFS Read: 296 HDFS Write: 37 SUCCESS

 Total MapReduce CPU Time Spent: 790 msec

 OK

 huangfengxiao   beijing

 linan   changchu

 Time taken: 20.703 seconds

#如何分区?

 表class(teacher sting,student string,age int)

 Mis li huangfengxiao 20

 Mis li lijie 21

 Mis li dongdong 21

 Mis li liqiang 21

 Mis li hemeng 21

 Mr xu dingding 19

 Mr xu wangqiang 19

 Mr xu lidong 19

 Mr xu hexing 19

 如果我们将这个班级成员的数据按teacher来分区

 create table classmem(student string,age int) partitioned by(teacher string)

 分区文件

 classmem_Misli.txt

  huangfengxiao 20  

  lijie 21          

  dongdong 21  

  liqiang 21          

  hemeng 21 

 classmem_MrXu.txt

  dingding 19 

  wangqiang 19 

  lidong 19         

  hexing 19   

 LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/classmem_Misli.txt' INTO TABLE classmem partition (teacher = 'Mis.li')

 LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/classmem_MrXu.txt' INTO TABLE classmem partition (teacher = 'Mis.Xu')

 

 #分区列被默认到最后一列

 hive> select * from classmem where teacher = 'Mr.Xu';

 OK

 dingding        19      NULL    Mr.Xu

 wangqiang       19      NULL    Mr.Xu

 lidong  19              NULL    Mr.Xu

 hexing  19      NULL    Mr.Xu

 Time taken: 0.196 seconds

 #直接从分区检索,加速;如果where子句的条件不是分区列,那么,这个sql将被编译成mapreduce程序,延时很大。

 #所以,我们建立分区,是为了一些常用的筛选查询字段而用的。

#桶的使用?更高效!可取样!主要用于大数据集的取样

 桶的原理是对一个表(或者分区)进行切片,选择被切片的字段,设定桶的个数,用字段与个数的hash值进行入桶。

 比如bucket.txt数据文件内容如下:

 id name age

 1 huang 11

 2 li 11

 3 xu 12

 4 zhong 14

 5 hu 15

 6 liqiang 17

 7 zhonghua 19

 如果我们想将这个数据表切成3个桶,切片字段为id

 那么用id字段hash后,3个桶的内容如下:

 桶id hash 3 =0

 3 xu 12

 6 liqiang 17

 桶id hash 3 =1

 1 huang 11

 4 zhong 14

 7 zhonghua 19

 桶id hash 3 =2

 2 li 11

 5 hu 15

 这个过程的创建表语句如下:

 create table bucketmem (id int,name string,age int) CLUSTERED BY (id) sorted by (id asc) into 3 buckets

 ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

LOAD DATA LOCAL INPATH '/home/hadoop/hfxdoc/bucketmem.txt' INTO TABLE bucketmem;

 select * from bucketmem tablesample(bucket 1 out of 4)

#其他操作参考,更完整的请参考官网: https://cwiki.apache.org/confluence/display/Hive/Home

 1) 创建与已知表相同结构的表Like:

 只复制表的结构,而不复制表的内容。

 create table test_like_table like test_bucket;

2) 对表进行重命名 rename to:

 ALTER TABLE table_name RENAME TO new_table_name

3) 增加分区 Add Partitions:

 ALTER TABLE table_name ADD partition_spec [ LOCATION 'location1' ]partition_spec [ LOCATION 'location2' ]

4) 对表中的某一列进行修改,包括列的名称/列的数据类型/列的位置/列的注释

 ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type[COMMENT col_comment] [FIRST|AFTER column_name]

5) 添加/替换列Add/ReplaceColumns

 ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENTcol_comment], ...)

 ADD COLUMNS 允许用户在当前列的末尾增加新的列,但是在分区列之前。

6) 创建表的完整语句:

 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]

 

 7) 在hive中查看hdfs文件

 >dfs -ls /user;