目录
1、hive参数传递
-
实际工作当中,我们一般都是将hive的hql语法开发完成之后,就写入到一个脚本里面去,然后定时的通过命令 hive -f 去执行hive的语法即可
-
然后通过定义变量来传递参数到hive的脚本当中去,那么我们接下来就来看看如何使用hive来传递参数。
-
hive0.9以及之前的版本是不支持传参
-
hive1.0版本之后支持 hive -f 传递参数
-
在hive当中我们一般可以使用==hivevar==或者==hiveconf==来进行参数的传递
1、hiveconf使用说明
-
hiveconf用于定义HIVE执行上下文的属性(配置参数),可覆盖覆盖hive-site.xml(hive-default.xml)中的参数值,如用户执行目录、日志打印级别、执行队列等。例如我们可以使用hiveconf来覆盖我们的hive属性配置,
-
hiveconf变量取值必须要使用hiveconf作为前缀参数,具体格式如下:
2、 hivevar使用说明
-
hivevar用于定义HIVE运行时的变量替换,类似于JAVA中的“PreparedStatement”,与${key}配合使用或者与 ${hivevar:key}
-
对于hivevar取值可以不使用前缀hivevar,具体格式如下:
1.3.3 define使用说明
-
define与hivevar用途完全一样,还有一种简写“-d
1.3.4 hiveconf与hivevar使用实战
-
需求:hive当中执行以下hql语句,并将'201807'、'80'、'03'用参数的形式全部都传递进去
select * from student left join score on student.s_id = score.s_id where score.month = '201807' and score.s_score > 80 and score.c_id = 03;
第一步:创建student表并加载数据
hive (myhive)> create external table student (s_id string, s_name string, s_birth string, s_sex string) row format delimited fields terminated by '\t'; hive (myhive)> load data local inpath '/kkb/install/hivedatas/student.csv' overwrite into table student;
第二步:定义hive脚本
第三步:调用hive脚本并传递参数
-
node03执行以下命令并
2、Hive的常用函数
1、系统内置函数
2、数值计算
下面主要使用teacher展示
1、取整函数: round
-
语法: round(double a)
-
返回值: BIGINT
-
说明: 返回double类型的整数值部分 (遵循四舍五入)
2、指定精度取整函数: round
-
语法: round(double a, int d)
-
返回值: DOUBLE
-
说明: 返回指定精度d的double类型
3、向下取整函数: floor
-
语法: floor(double a)
-
返回值: BIGINT
-
说明: 返回等于或者小于该double变量的最大的整数
4、向上取整函数: ceil
-
语法: ceil(double a)
-
返回值: BIGINT
-
说明: 返回等于或者大于该double变量的最小的整数
5、向上取整函数: ceiling
-
语法: ceiling(double a)
-
返回值: BIGINT
-
说明: 与ceil功能相同
6、取随机数函数: rand
-
语法: rand(), rand(int seed)
-
返回值: double
-
说明: 返回一个0到1范围内的随机数。如果指定种子seed,则会等到一个稳定的随机数序列
3、日期函数
1、UNIX时间戳转日期函数: from_unixtime
-
语法: from_unixtime(bigint unixtime[, string format])
-
返回值: string
-
说明: 转化UNIX时间戳(从1970-01-01 00:00:00 UTC到指定时间的秒数)到当前时区的时间格式
2、获取当前UNIX时间戳函数: unix_timestamp
-
语法: unix_timestamp()
-
返回值: bigint
-
说明: 获得当前时区的UNIX时间戳
3、日期转UNIX时间戳函数: unix_timestamp
-
语法: unix_timestamp(string date)
-
返回值: bigint
-
说明: 转换格式为"yyyy-MM-dd HH:mm:ss"的日期到UNIX时间戳。如果转化失败,则返回0。
4、指定格式日期转UNIX时间戳函数: unix_timestamp
-
语法: unix_timestamp(string date, string pattern)
-
返回值: bigint
-
说明: 转换pattern格式的日期到UNIX时间戳。如果转化失败,则返回0。
5、日期时间转日期函数: to_date
-
语法: to_date(string datetime)
-
返回值: string
-
说明: 返回日期时间字段中的日期部分。
6、日期转年函数: year、 mouth、day、hour、minute、语法一样
-
语法: year(string date)
-
返回值: int
-
说明: 返回日期中的年。
7、日期转周函数: weekofyear
8、日期比较函数: datediff
-
语法: datediff(string enddate, string startdate)
-
返回值: int
-
说明: 返回结束日期减去开始日期的天数。
9、日期增加函数: date_add
-
语法: date_add(string startdate, int days)
-
返回值: string
-
说明: 返回开始日期startdate增加days天后的日期。
10、日期减少函数: date_sub
-
语法: date_sub (string startdate, int days)
-
返回值: string
-
说明: 返回开始日期startdate减少days天后的日期。
3、条件函数(重点)
1、If函数: if
-
语法: if(boolean testCondition, T valueTrue, T valueFalseOrNull)
-
返回值: T
-
说明: 当条件testCondition为TRUE时,返回valueTrue;否则返回valueFalseOrNull
2、非空查找函数: COALESCE
-
语法: COALESCE(T v1, T v2, …)
-
返回值: T
-
说明: 返回参数中的第一个非空值;如果所有值都为NULL,那么返回NULL
3、条件判断函数:CASE
-
语法: CASE a WHEN b THEN c [WHEN d THEN e]* [ELSE f] END
-
返回值: T
-
说明:如果a等于b,那么返回c;如果a等于d,那么返回e;否则返回f
4、条件判断函数:CASE
-
语法: CASE WHEN a THEN b [WHEN c THEN d]* [ELSE e] END
-
返回值: T
-
说明:如果a为TRUE,则返回b;如果c为TRUE,则返回d;否则返回e
4、字符串函数
1、字符串长度函数:length
-
语法: length(string A)
-
返回值: int
-
说明:返回字符串A的长度
2、字符串反转函数:reverse
-
语法: reverse(string A)
-
返回值: string
-
说明:返回字符串A的反转结果
3、字符串连接函数:concat
-
语法: concat(string A, string B…)
-
返回值: string
-
说明:返回输入字符串连接后的结果,支持任意个输入字符串
4、字符串连接并指定字符串分隔符:concat_ws
-
语法: concat_ws(string SEP, string A, string B…)
-
返回值: string
-
说明:返回输入字符串连接后的结果,SEP表示各个字符串间的分隔符
5、字符串截取函数:substr
-
语法: substr(string A, int start), substring(string A, int start)
-
返回值: string
-
说明:返回字符串A从start位置到结尾的字符串
6、字符串截取函数:substr, substring
-
语法: substr(string A, int start, int len),substring(string A, int start, int len)
-
返回值: string
-
说明:返回字符串A从start位置开始,长度为len的字符串
7、字符串转大写函数:upper, ucase
-
语法: upper(string A) ucase(string A)
-
返回值: string
-
说明:返回字符串A的大写格式
8、字符串转小写函数:lower, lcase
-
语法: lower(string A) lcase(string A)
-
返回值: string
-
说明:返回字符串A的小写格式
9、去空格函数:trim
-
语法: trim(string A)
-
返回值: string
-
说明:去除字符串两边的空格
10、url解析函数 parse_url
-
语法: parse_url(string urlString, string partToExtract [, string keyToExtract])
-
返回值: string
-
说明:返回URL中指定的部分。partToExtract的有效值为:HOST, PATH, QUERY, REF, PROTOCOL, AUTHORITY, FILE, and USERINFO.
11、json解析 get_json_object
-
语法: get_json_object(string json_string, string path)
-
返回值: string
-
说明:解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效,那么返回NULL。
12、重复字符串函数:repeat
-
语法: repeat(string str, int n)
-
返回值: string
-
说明:返回重复n次后的str字符串
13、分割字符串函数: split
-
语法: split(string str, string pat)
-
返回值: array
-
说明: 按照pat字符串分割str,会返回分割后的字符串数组
5、集合统计函数
1、个数统计函数: count
-
语法: count(*), count(expr), count(DISTINCT expr[, expr_.])
-
返回值:Int
-
说明: count(*)统计检索出的行的个数,包括NULL值的行;count(expr)返回指定字段的非空值的个数;count(DISTINCT expr[, expr_.])返回指定字段的不同的非空值的个数
2、总和统计函数: sum
-
语法: sum(col), sum(DISTINCT col)
-
返回值: double
-
说明: sum(col)统计结果集中col的相加的结果;sum(DISTINCT col)统计结果中col不同值相加的结果
3、平均值统计函数: avg
-
语法: avg(col), avg(DISTINCT col)
-
返回值: double
-
说明: avg(col)统计结果集中col的平均值;avg(DISTINCT col)统计结果中col不同值相加的平均值
4、最小值统计函数: min
-
语法: min(col)
-
返回值: double
-
说明: 统计结果集中col字段的最小值
5、最大值统计函数: max
-
语法: max(col)
-
返回值: double
-
说明: 统计结果集中col字段的最大值
6、复合类型构建函数
1、Map类型构建: map
-
语法: map (key1, value1, key2, value2, …)
-
说明:根据输入的key和value对构建map类型
建表
-- 每列数据换行隔开
-- map数据集合之间,逗号隔开数据
-- map数据之间冒号隔开
创建数据内容如下并加载数据
-- 获取所有的value:
获取所有的key
按照key来进行获取value值
查看map元素个数
构建一个map
2、Struct类型构建: struct
-
语法: struct(val1, val2, val3, …)
-
说明:根据输入的参数构建结构体struct类型,似于C语言中的结构体,内部数据通过X.X来获取,假设我
-
数据格式是这样的,电影ABC,有1254人评价过,打分为7.4分
建表
创建数据
电影ABC,有1254人评价过,打分为7.4分
hive加载数据
查询数据 1
3、Array类型构建: array
-
语法: array(val1, val2, …)
-
说明:根据输入的参数构建数组array类型
创建表
创建数据
加载数据
展示数据
-- 按照下表索引进行查询
-- 查询所有集合数据
-- 查询元素个数
7、复杂类型长度统计函数
1、Map类型长度函数: size(Map<k .V>)
-
语法: size(Map<k .V>)
-
返回值: int
-
说明: 返回map类型的长度
2、array类型长度函数: size(Array<T>)
-
语法: size(Array<T>)
-
返回值: int
-
说明: 返回array类型的长度
3、类型转换函数
-
类型转换函数: cast
-
语法: cast(expr as <type>)
-
返回值: Expected "=" to follow "type"
-
说明: 返回转换后的数据类型
8、行转列
1、相关函数说明
-
CONCAT(string A/col, string B/col…):返回输入字符串连接后的结果,支持任意个输入字符串;
-
CONCAT_WS(separator, str1, str2,...):它是一个特殊形式的 CONCAT()。
-
第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL,返回值也将为 NULL。
-
这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
-
-
COLLECT_SET(col):函数只接受基本数据类型,它的主要作用是将某字段的值进行去重汇总,产生array类型字段。
2、数据准备
-
数据准备
name | constellation | blood_type |
---|---|---|
孙悟空 | 白羊座 | A |
老王 | 射手座 | A |
宋宋 | 白羊座 | B |
猪八戒 | 白羊座 | A |
按住啦baby | 射手座 | A |
3、需求
-
把星座和血型一样的人归类到一起。结果如下:
4、建表并导入数据
加载数据
查询数据
5、合并并查询
合并内容
整合数据
9、列转行
1、函数说明
-
EXPLODE(col):将hive一列中复杂的array或者map结构拆分成多行。
-
LATERAL VIEW
-
用法:LATERAL VIEW udtf(expression) tableAlias AS columnAlias
-
解释:用于和split, explode等UDTF一起使用,它能够将一列数据拆成多行数据,在此基础上可以对拆分后的数据进行聚合。
-
2、数据准备
-
数据内容如下,字段之间都是使用\t进行分割
3、需求
-
将电影分类中的数组数据展开。结果如下:
4、创建hive表并导入数据
-
创建hive表
加载数据
查询数据
2、lateral view、explode练习
1、explode函数将Map和Array字段数据进行拆分
-
explode还可以用于将hive一列中复杂的array或者map结构拆分成多行
第一步、建表
存储格式指定textFile;默认也是textFile格式
hive⽂件存储格式包括以下⼏类:
说明:
其中TEXTFILE为默认格式,建表时不指定默认为这个格式,导入数据时会直接把数据文件拷贝到hdfs上不进行处理;SEQUENCEFILE,RCFILE,ORCFILE.PARQUET格式的表不能直接从本地文件导入数据,数据要先导入到textfile格式的表中,然后再从表中用insert导入SequenceFle,RCFile,ORCFile,PARQUET各自表中;或者用复制表结构及数据的方式( create table as select * fromtable ) 。
一言以蔽之:如果为textfile的文件格式,直接load就OK,不需要走MapReduce;如果是其他的类型就需要走MapReduce了,因为其他的类型都涉及到了文件的压缩,这需要借助MapReduce的压缩方式来实现。
第二步、创建并加载数据
第三步:使用explode将hive当中数据拆开
array使用explode拆分
explode将map当中的数据拆分开
2、使用explode拆分json字符串
第一步、创建表
第二步、创建并的导入数据
第三步、拆分array
第四步:使用explode拆解Map
第五步:拆解json字段
配合LATERAL VIEW使用
-
lateral view用于和split、explode等UDTF一起使用的,能将一行数据拆分成多行数据
-
在此基础上可以对拆分的数据进行聚合
-
lateral view首先为原始表的每行调用UDTF,UDTF会把一行拆分成一行或者多行,lateral view在把结果组合,产生一个支持别名表的虚拟表。
-
配合lateral view查询多个字段
-
其中LATERAL VIEW explode(split(goods_id,','))goods相当于一个虚拟表,与原表explode_lateral_view笛卡尔积关联。
-
也可以多重使用,如下,也是三个表笛卡尔积的结果
最终,我们可以通过下面的句子,把这个json格式的一行数据,完全转换成二维表的方式展现
总结:
-
Lateral View通常和UDTF一起出现,为了解决UDTF不允许在select字段的问题。
-
Multiple Lateral View可以实现类似笛卡尔乘积。
-
Outer关键字可以把不输出的UDTF的空结果,输出成NULL,防止丢失数据。
reflect函数
-
reflect函数可以支持在sql中调用java中的自带函数,秒杀一切udf函数。
1、使用java.lang.Math当中的Max求两列中最大值
创建表
创建数据并添加
使用java.lang.Math当中的Max求两列当中的最大值
2、不同记录执行不同的java内置函数
建表
建数据并导入
执行查询
3、判断是否为数字
-
使用apache commons中的函数,commons下的jar已经包含在hadoop的classpath中,所以可以直接使用。
-
使用方式如下:
hive自定义函数
1、自定义函数的基本介绍
-
Hive 自带了一些函数,比如:max/min等,但是数量有限,自己可以通过自定义UDF来方便的扩展。
-
当Hive提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用用户自定义函数(UDF:user-defined function)
-
根据用户自定义函数类别分为以下三种:
-
UDF(User-Defined-Function) 一进一出
-
UDAF(User-Defined Aggregation Function) 聚集函数,多进一出,类似于:count/max/min
-
UDTF(User-Defined Table-Generating Functions) 一进多出,如lateral view explode()
-
如lateral view explode()
-
官方文档地址
HivePlugins - Apache Hive - Apache Software Foundation
-
编程步骤:
(1)继承org.apache.hadoop.hive.ql.UDF
(2)需要实现evaluate函数;evaluate函数支持重载;
-
注意事项
(1)UDF必须要有返回类型,可以返回null,但是返回类型不能为void;
(2)UDF中常用Text/LongWritable等类型,不推荐使用java类型;
1、新建项目并导包
<repositories>
<repository>
<id>cloudera</id>
<url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.6.0-mr1-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.6.0-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.6.0-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>2.6.0-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.1.0-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-jdbc</artifactId>
<version>1.1.0-cdh5.14.2</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-cli</artifactId>
<version>1.1.0-cdh5.14.2</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.0</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
<encoding>UTF-8</encoding>
<!-- <verbal>true</verbal>-->
</configuration>
</plugin>
</plugins>
</build>
第二步:开发java类继承UDF,并重载evaluate 方法
package com.kkb.udf.MyUDF;
第四步:添加我们的jar包
-
重命名我们的jar包名称
-
hive的客户端添加我们的jar包
第五步:设置函数与我们的自定义函数关联
第六步:使用自定义函数
-
hive当中如何创建永久函数
-
在hive当中添加临时函数,需要我们每次进入hive客户端的时候都需要添加以下,退出hive客户端临时函数就会失效,那么我们也可以创建永久函数来让其不会失效
-
创建永久函数
Json数据解析UDF开发练习
数据如下
需要的结果如下
创建表
创建数据并导入
导入数据
查询数据
Hive的分桶表
分桶表原理
-
分桶是相对分区进行更细粒度的划分
-
Hive表或分区表可进一步的分桶
-
==分桶将整个数据内容按照某列取hash值,对桶的个数取模的方式决定该条记录存放在哪个桶当中;具有相同hash值的数据进入到同一个文件中==
-
比如按照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。
-
取模结果为==0==的数据记录存放到一个文件
-
取模结果为==1==的数据记录存放到一个文件
-
取模结果为==2==的数据记录存放到一个文件
-
-
作用
-
1、取样sampling更高效。没有分桶的话需要扫描整个数据集。
-
2、提升某些查询操作效率,例如map side join
案例演示:创建分桶表
-
在创建分桶表之前要执行的命令
-
==set hive.enforce.bucketing=true;== 开启对分桶表的支持
-
==set mapreduce.job.reduces=4;== 设置与桶相同的reduce个数(默认只有一个reduce)
-
进入hive客户端然后执行以下命令
加载数据到普通表 user_demo 中
加载数据到桶表user_buckets_demo中
如果导入出现,权限不足的错误
给用户赋予权限
可以查看到该模块有四个分区
下载第一个查看分通的内容
查看所有内容
抽样查询桶表的数据
-
官网地址
-
tablesample抽样语句语法:tablesample(bucket x out of y)
-
x表示从第几个桶开始做数据采样
-
-
y与进行采样的桶数的个数、每个采样桶的采样比例有关;
Hive数据导入
1、直接向表中插入数据(强烈不推荐使用)
2、load加载
语法如下
通过load方式加载数据
3、 通过查询加载数据(必须掌握)
-
通过查询方式加载数据
-
语法;官网地址
4、创建表时指定location
上传数据到hdfs上,我们也可以直接在hive客户端下面通过dfs命令来进行操作hdfs的数据
5、export导出与import 导入 hive表数据(内部表操作)
Hive数据导出
insert 导出
-
表 -> 文件
-
官方文档
-
语法
-
将查询的结果导出到本地
-
将查询的结果格式化导出到本地
-
将查询的结果导出到HDFS上==(没有local)==
Hive Shell 命令导出
基本语法:
-
hive -e "sql语句" > file
-
hive -f sql文件 > file
-
在linux命令行中,运行如下命令;导出myhive.stu表的数据到本地磁盘文件/kkb/install/hivedatas/student1.txt
export导出到HDFS上
Hive的静态分区和动态分区
1、 静态分区
第一步、创建静态分区表
第二步、创建数据并导入
第三步、加载数据到分区表,指定分区,不灵活
第四步、根据分区查询数据
2、动态分区
曲线救国
-
按照需求实现把数据自动导入到表的相应分区中,==不需要手动指定分区字段的值==
-
需求:根据分区字段不同的值,自动将数据导入到分区表不同的分区中
准备数据
加载数据
查看order_dynamic_partition 中的数据
查看分区数据
分组
1、Group By 语句
-
Group By语句通常会和==聚合函数==一起使用,按照一个或者多个列对结果进行分组,然后对每个组执行聚合操作。
-
Group By时select后的字段要么是分组字段、要么是聚合函数
-
==查询非分组字段会报错==
-
案例实操:
-
计算每个学生的平均分数
-
计算每个学生最高的分数
-
2、 Having语句
-
having 与 where 不同点
-
where针对==表中的列发挥作用==,查询数据;==having针对查询结果中的列==发挥作用,筛选数据
-
where后面==不能写聚合函数==,而having后面可以==使用聚合函数==
-
having只用于group by分组统计语句
-
-
案例实操
-
求每个学生的平均分数
-
求每个学生平均分数大于60的人
-
排序
1、order by 全局排序
-
全局排序,只有一个reduce
-
使用 ORDER BY 子句排序
-
asc ( ascend) 升序 (默认)
-
desc (descend) 降序
-
-
order by 子句在select语句的结尾
-
案例实操
-
查询学生的成绩,并按照分数降序排列
-
按照别名排序
-
按照学生分数的平均值排序
2、 Sort By
每个MapReduce内部排序(Sort By)局部排序
-
sort by:每个reducer内部有序排序(局部有序),对全局结果集来说并非全局有序
设置reduce个数
user_demo 原数据为
查询成绩按照成绩降序排列
将数据导出
导出文件有3个,因为设置mapreduce个数为3
打开第一个文件,显示局部有序
3、distribute by 分区排序
-
distribute by:
-
类似MR中partition,==采集hash算法,在map端将查询的结果中hash值相同的结果分发到对应的reduce文件中==。
-
结合sort by使用。
-
-
注意
-
Hive要求 distribute by 语句要写在 sort by 语句之前。
-
-
案例实操
-
先按照学生 sid 进行分区,再按照学生成绩进行排序
-
设置reduce的个数
-
通过distribute by 进行数据的分区,,将不同的sid 划分到对应的reduce当中去
-
4、 cluster by
-
当distribute by和sort by字段相同时,可以使用cluster by方式代替
-
除了distribute by 的功能外,还会对该字段进行排序,所以cluster by = distribute by + sort by