hive学习笔记之六：HiveQL基础

原创

程序员欣宸

修改于 2021-07-07 10:18:55

2390

修改于 2021-07-07 10:18:55

文章被收录于专栏：实战docker实战docker

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

《hive学习笔记》系列导航

本篇概览

本文是《hive学习笔记》系列的第六篇，前面的文章咱们对数据类型、表结构有了基本了解，接下来对常用的查询语句做一次集中式的学习；
HiveQL与SQL类似, 在语法上与大部分SQL兼容, 但是并非完全兼容，例如更新、事务等都不支持，子查询和join操作也有限, 这和底层依赖Hadoop有关；

准备数据

本次实战要准备两个表：学生表和住址表，字段都很简单，如下图所示，学生表有个住址ID字段，是住址表里的记录的唯一ID：

先创建住址表：

create table address (addressid int, province string, city string) 
row format delimited 
fields terminated by ',';

创建address.txt文件，内容如下：

1,guangdong,guangzhou
2,guangdong,shenzhen
3,shanxi,xian
4,shanxi,hanzhong
6,jiangshu,nanjing

加载数据到address表：

load data 
local inpath '/home/hadoop/temp/202010/25/address.txt' 
into table address;

创建学生表，其addressid字段关联了address表的addressid字段：

create table student (name string, age int, addressid int) 
row format delimited 
fields terminated by ',';

创建student.txt文件，内容如下：

tom,11,1
jerry,12,2
mike,13,3
john,14,4
mary,15,5

加载数据到student表：

load data 
local inpath '/home/hadoop/temp/202010/25/student.txt' 
into table student;

至此，本次操作所需数据已准备完毕，如下所示：

hive> select * from address;
OK
1   guangdong   guangzhou
2   guangdong   shenzhen
3   shanxi  xian
4   shanxi  hanzhong
6   jiangshu    nanjing
Time taken: 0.043 seconds, Fetched: 5 row(s)
hive> select * from student;
OK
tom 11  1
jerry   12  2
mike    13  3
john    14  4
mary    15  5
Time taken: 0.068 seconds, Fetched: 5 row(s)

开始体验HiveQL

select和where

最普通的带条件查询：

hive> select * from address where city like '%a%';
OK
1   guangdong   guangzhou
3   shanxi  xian
4   shanxi  hanzhong
6   jiangshu    nanjing
Time taken: 0.128 seconds, Fetched: 4 row(s)

group by

按province字段分组：

select province, count(*) from address group by province;

该查询会触发MR计算，结果如下：

...
Total MapReduce CPU Time Spent: 1 seconds 910 msec
OK
guangdong   2
jiangshu    1
shanxi  2
Time taken: 17.847 seconds, Fetched: 3 row(s)

试试嵌套查询，内部是查出city字段带有a字母的记录，然后将这些记录按照province字段分组：

select t.province, count(*) from (
    select * from address where city like '%a%'
) t 
group by t.province;

结果如下：

Total MapReduce CPU Time Spent: 1 seconds 760 msec
OK
guangdong   1
jiangshu    1
shanxi  2
Time taken: 18.036 seconds, Fetched: 3 row(s)

having

前面的嵌套查询，结果有两个省：guangdong和shanxi，如果再加个条件：只显示城市数量大于1的省，首先想到的是再加一层嵌套：

select t1.* from (
    select t.province, count(*) as cnt from (
        select * from address where city like '%a%'
    ) t 
group by t.province) t1 
where t1.cnt>1;

结果如下，可见只有shanxi被显示了：

Total MapReduce CPU Time Spent: 2 seconds 250 msec
OK
shanxi  2
Time taken: 20.067 seconds, Fetched: 1 row(s)

对于上述SQL，可以用having语法进行分组筛选，得到同样数据：

select t.province, count(*) as cnt from (
        select * from address where city like '%a%'
    ) t 
group by t.province having cnt>1;

order by

对分组结果做排序：

select t.province, count(*) as cnt from (
        select * from address where city like '%a%'
    ) t 
group by t.province order by cnt;

会触发MR，结果如下：

Total MapReduce CPU Time Spent: 3 seconds 50 msec
OK
jiangshu    1
guangdong   1
shanxi  2
Time taken: 40.315 seconds, Fetched: 3 row(s)

order by对于的实现，是在最后通过一个reducer进行全部排序，该过程可能耗时较长，针对这种情况，hive提供了sort by，功能与order by一样，但是会在每个reducer中进行排序，这样最终做排序的时候效率就会提升；
要注意的是：sort by解决的问题是最终结果排序的效率，因此数据量不大时，排序不是瓶颈，此时使用sort by也不会加快整体速度；

内连接(inner join)

内连接用join简写，与连接标准匹配的数据在两张表中都存在，才会保留：

select 
  s.name, s.age, 
  a.province, a.city 
from 
  student s 
  inner join 
  address a 
on 
  s.addressid=a.addressid;

结果如下：

Total MapReduce CPU Time Spent: 1 seconds 20 msec
OK
tom 11  guangdong   guangzhou
jerry   12  guangdong   shenzhen
mike    13  shanxi  xian
john    14  shanxi  hanzhong
Time taken: 17.294 seconds, Fetched: 4 row(s)

自然连接(natural join)

自然连接是在两张表中寻找数据类型和列明都相同的字段，并自动连接起来：

select name, age, province, city from student natural join address;

结果如下，可见不会根据student表的addressid字段值去address查找记录，而是将addrerss的记录全部连接一次：

Total MapReduce CPU Time Spent: 940 msec
OK
tom 11  guangdong   guangzhou
jerry   12  guangdong   guangzhou
mike    13  guangdong   guangzhou
john    14  guangdong   guangzhou
mary    15  guangdong   guangzhou
tom 11  guangdong   shenzhen
jerry   12  guangdong   shenzhen
mike    13  guangdong   shenzhen
john    14  guangdong   shenzhen
mary    15  guangdong   shenzhen
tom 11  shanxi  xian
jerry   12  shanxi  xian
mike    13  shanxi  xian
john    14  shanxi  xian
mary    15  shanxi  xian
tom 11  shanxi  hanzhong
jerry   12  shanxi  hanzhong
mike    13  shanxi  hanzhong
john    14  shanxi  hanzhong
mary    15  shanxi  hanzhong
tom 11  jiangshu    nanjing
jerry   12  jiangshu    nanjing
mike    13  jiangshu    nanjing
john    14  jiangshu    nanjing
mary    15  jiangshu    nanjing
Time taken: 18.525 seconds, Fetched: 25 row(s)

左外连接(left outer join)

以连接中的左表为主：

select 
  s.name, s.age, s.addressid, 
  a.province, a.city 
from 
  student s 
  left outer join 
  address a 
on 
  s.addressid=a.addressid;

结果如下，可见name=mary的记录，addressid等于5，在address中不存在addressid等于5的记录，因此province和city字段都展示了NULL，而在前面使用inner join时，结果中没有这条记录：

Total MapReduce CPU Time Spent: 950 msec
OK
tom 11  1   guangdong   guangzhou
jerry   12  2   guangdong   shenzhen
mike    13  3   shanxi  xian
john    14  4   shanxi  hanzhong
mary    15  5   NULL    NULL
Time taken: 18.442 seconds, Fetched: 5 row(s)

右外连接(right outer join)

和左连接类似，只不过是以右表为主，语法是right outer join：

select 
  s.name, s.age, s.addressid, 
  a.province, a.city 
from 
  student s 
  right outer join 
  address a 
on 
  s.addressid=a.addressid;

结果如下，可见city=nanjing的记录，在student表中没有一条记录与之关联，因此结果中展示了address的字段，而student的字段为NULL：

Total MapReduce CPU Time Spent: 970 msec
OK
tom 11  1   guangdong   guangzhou
jerry   12  2   guangdong   shenzhen
mike    13  3   shanxi  xian
john    14  4   shanxi  hanzhong
NULL    NULL    NULL    jiangshu    nanjing
Time taken: 18.294 seconds, Fetched: 5 row(s)

全外连接(full outer join)

查询结果等于左外连接和右外连接之和，语法是full outer join：

select 
  s.name, s.age, s.addressid, 
  a.province, a.city 
from 
  student s 
  full outer join 
  address a 
on 
  s.addressid=a.addressid;

结果如下：

Total MapReduce CPU Time Spent: 2 seconds 630 msec
OK
tom 11  1   guangdong   guangzhou
jerry   12  2   guangdong   shenzhen
mike    13  3   shanxi  xian
john    14  4   shanxi  hanzhong
mary    15  5   NULL    NULL
NULL    NULL    NULL    jiangshu    nanjing
Time taken: 22.189 seconds, Fetched: 6 row(s)

至此，常用HiveQL体验完毕，希望能给您一些参考，接下来的章节会进一步学习HiveQL的特性；

关于容器和镜像的环境

如果您不想自己搭建kubernetes环境，推荐使用腾讯云容器服务TKE：无需自建，即可在腾讯云上使用稳定，安全，高效，灵活扩展的 Kubernetes 容器平台；

如果您希望自己的镜像可以通过外网上传和下载，推荐腾讯云容器镜像服务TCR：像数据加密存储，大镜像多节点快速分发，跨地域镜像同步

你不孤单，欣宸原创一路相伴

欢迎关注公众号：程序员欣宸

微信搜索「程序员欣宸」，我是欣宸，期待与您一同畅游Java世界...

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

hadoop

hive

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

hadoop

hive

登录后参与评论

0 条评论

热度