Hive基础：修订间差异
无编辑摘要 |
无编辑摘要 |
||
| （未显示同一用户的6个中间版本） | |||
| 第44行： | 第44行： | ||
{| class="wikitable" | {| class="wikitable" | ||
!Hive 数据类型 | !Hive 数据类型 | ||
! | !字节数 | ||
!范围 | |||
|- | |- | ||
|TINYINT | |TINYINT | ||
| | |1 | ||
| -128~127 | |||
|- | |- | ||
|SMALINT | |SMALINT | ||
| | |2 | ||
| -32768~32767 | |||
|- | |- | ||
|INT | |INT | ||
| | |4 | ||
|默认，-2147483648~2147483647 | |||
|- | |- | ||
|BIGINT | |BIGINT | ||
| | |8 | ||
|18位，-9.2234e18~9.2234e18 | |||
|- | |- | ||
|BOOLEAN | |BOOLEAN | ||
| | |1 | ||
|true/false | |||
|- | |- | ||
|FLOAT | |FLOAT | ||
| | |4 | ||
|4字节单精度浮点数 | |||
|- | |- | ||
|DOUBLE | |DOUBLE | ||
| | |8 | ||
|8字节单精度浮点数 | |||
|- | |||
|DEICIMAL | |||
|任意精度的带符号小数 | |||
|1.23 | |||
|- | |||
|CHAR | |||
|固定长度字符串 | |||
| | |||
|- | |||
|VARCHAR | |||
|变长 | |||
| | |||
|- | |- | ||
|STRING | |STRING | ||
| | |变长 | ||
|2G | |||
|- | |||
|DATE | |||
|日期 | |||
|2000-12-31 | |||
|- | |||
|TIMESTAMP | |||
|时间戳，毫秒值精度 | |||
|122327493795 | |||
|- | |||
|INTERVAL | |||
|时间频率间隔 | |||
| | |||
|} | |} | ||
==== 集合数据类型 ==== | ==== 集合数据类型 ==== | ||
| 第89行： | 第118行： | ||
* 静态分区是在创建表时手动指定 | * 静态分区是在创建表时手动指定 | ||
* 动态分区是通过数据来进行判断，只有在 SQL 执行时才能确定。动态分区不能使用 load | * 动态分区是通过数据来进行判断，只有在 SQL 执行时才能确定。动态分区不能使用 load 加载数据，需要使用 insert into | ||
默认创建的分区是静态分区，如果要指定动态分区需要配置系统参数。 | 默认创建的分区是静态分区，如果要指定动态分区需要配置系统参数。 | ||
| 第106行： | 第135行： | ||
* 分区是粗粒度的将数据隔离，分桶是更加细粒度的将数据隔离 | * 分区是粗粒度的将数据隔离，分桶是更加细粒度的将数据隔离 | ||
=== | === Table === | ||
create table test.test_csv( | |||
ky int, | |||
val string, | |||
ct string, | |||
memo string | |||
) | |||
row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde' | |||
stored as textfile | |||
; | |||
=== Data=== | |||
==== Load==== | |||
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1,partcol2=val2 ...)] | |||
====Load CSV==== | |||
<nowiki>#</nowiki> 注意：Load CSV 并无报错，但导入皆为 NULL。一般 CSV 导入模式是先导入成 textfile, 之后再从临时表 insert 成 parquet。 | |||
*有 LOCAL 表示从本地文件系统加载（文件会被拷贝到HDFS中） | |||
* 无 LOCAL 表示从 HDFS 中加载数据（注意：文件直接被移动到 Hive 相应库下，而不是拷贝。） | |||
*OVERWRITE 表示是否覆盖表中数据（或指定分区的数据）（没有 OVERWRITE 则 APPEND。） | |||
*若加载同样文件名的文件，会被自动重命名 | |||
test_csv.csv | |||
ky,val,ct,memo | |||
1001,Hello,2021-1-1,Test | |||
0002,Hi,2021-1-2 1:00,test1 | |||
1002,"Hello, World!",2021-1-3 10:00,test2 | |||
1003,"Hi, ada""' | |||
return",2021-1-4 15:00,Test message'. | |||
1004,"Hello, BI.",2021-1-10, | |||
load data local inpath '/u01/data/test_csv.csv' overwrite into table test.test_csv; | |||
Hive Load Data 时，并不去掉第一行标题（导入后格式与源文件相同）。一般提前处理，或者使用下面语句： | |||
alter table test.test_csv set TBLPROPERTIES('skip.header.line.count'='1'); | |||
==== Load Hive ==== | |||
另一种处理方式：将 CSV 格式转换为 Hive 格式 | |||
#cat bank.csv | sed "s/,/$PA/" > bank.hive # PA=OX001 | |||
# load data local inpath '/u01/data/bank.hive' <s>overwrite</s> into table test.bank_data; | |||
====Insert==== | |||
hive> create table test ( key string, val string); | |||
hive> insert into test.test values ('1000', 'Hello World!'); | |||
hive> insert into test.test values ('1010', 'Hello Hive!'); | |||
插入操作，每条语句均会产生一个文件：000000_0, 000000_0_copy_1 | |||
* order by 中的字段, 必须在 select 中出现 | ===注意=== | ||
*order by 中的字段, 必须在 select 中出现 | |||
* 子查询表必须有别名 | * 子查询表必须有别名 | ||
2023年2月23日 (四) 22:52的最新版本
参数设置
优先级: 配置文件 < 命令行参数 < 终端里输入命令
注意某些系统级的参数, 例如 log4j 的设定必须用前两种方式设定, 因为那些参数的读取在会话建立以前已经完成了。
- 配置文件方式 hive-default.xml 和 hive-site.xml
- 命令行参数方式 启动 Hive 时，hive -hiveconf mapred.reduce.tasks=10
- 终端里输入命令
set 查看所有配置
set xxx 查看xxx参数的值
set xxx 1 设置xxx参数的值
基础命令
hive -e “sql语句”
hive -f “sql文件路径”
分割符
Hive中默认的分割符为：
列：^A
行：\n
在数据文件中显示为："1000^AHello, World!\n"，数据中如果包含："\001"，"\n"等分隔符，需要提前处理掉。
如果需要自定义分隔符，需要设置：
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n'
数据类型
基本数据类型
| Hive 数据类型 | 字节数 | 范围 |
|---|---|---|
| TINYINT | 1 | -128~127 |
| SMALINT | 2 | -32768~32767 |
| INT | 4 | 默认，-2147483648~2147483647 |
| BIGINT | 8 | 18位，-9.2234e18~9.2234e18 |
| BOOLEAN | 1 | true/false |
| FLOAT | 4 | 4字节单精度浮点数 |
| DOUBLE | 8 | 8字节单精度浮点数 |
| DEICIMAL | 任意精度的带符号小数 | 1.23 |
| CHAR | 固定长度字符串 | |
| VARCHAR | 变长 | |
| STRING | 变长 | 2G |
| DATE | 日期 | 2000-12-31 |
| TIMESTAMP | 时间戳，毫秒值精度 | 122327493795 |
| INTERVAL | 时间频率间隔 |
集合数据类型
- STRUCT struct<street:string, city:string>
- MAP map<string, int>
- Array array<string>
索引、分区与分桶
索引
Hive从0.7.0版本开始加入了索引，0.8版本后增加 bitmap 索引。索引表不会自动 rebuild，如果表有数据新增或删除，那么必须手动 rebuild 索引表数据
分区
表分区是指将数据按照物理分层的方式进行区分开，加快查询的速度，同时也起到数据快照的作用。可以指定单个字段也可以指定多个字段；
- 静态分区是在创建表时手动指定
- 动态分区是通过数据来进行判断，只有在 SQL 执行时才能确定。动态分区不能使用 load 加载数据，需要使用 insert into
默认创建的分区是静态分区，如果要指定动态分区需要配置系统参数。
桶
当单个分区或者表中的数据量越来越大，当分区不能更细粒的划分数据时，采用分桶技术将数据更细粒度的划分和管理。
分桶关键字：BUCKET
指定分桶的字段：clustered by (uid)
区别
- 分区使用的是表外字段，分桶使用的是表内字段
- 分桶是更细粒度的划分、管理数据，更多用来做数据抽样、JOIN操作
- 分区是粗粒度的将数据隔离，分桶是更加细粒度的将数据隔离
Table
create table test.test_csv( ky int, val string, ct string, memo string ) row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde' stored as textfile ;
Data
Load
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1,partcol2=val2 ...)]
Load CSV
# 注意：Load CSV 并无报错，但导入皆为 NULL。一般 CSV 导入模式是先导入成 textfile, 之后再从临时表 insert 成 parquet。
- 有 LOCAL 表示从本地文件系统加载（文件会被拷贝到HDFS中）
- 无 LOCAL 表示从 HDFS 中加载数据（注意：文件直接被移动到 Hive 相应库下，而不是拷贝。）
- OVERWRITE 表示是否覆盖表中数据（或指定分区的数据）（没有 OVERWRITE 则 APPEND。）
- 若加载同样文件名的文件，会被自动重命名
test_csv.csv
ky,val,ct,memo 1001,Hello,2021-1-1,Test 0002,Hi,2021-1-2 1:00,test1 1002,"Hello, World!",2021-1-3 10:00,test2 1003,"Hi, ada""' return",2021-1-4 15:00,Test message'. 1004,"Hello, BI.",2021-1-10,
load data local inpath '/u01/data/test_csv.csv' overwrite into table test.test_csv;
Hive Load Data 时，并不去掉第一行标题（导入后格式与源文件相同）。一般提前处理，或者使用下面语句：
alter table test.test_csv set TBLPROPERTIES('skip.header.line.count'='1');
Load Hive
另一种处理方式：将 CSV 格式转换为 Hive 格式
- cat bank.csv | sed "s/,/$PA/" > bank.hive # PA=OX001
- load data local inpath '/u01/data/bank.hive'
overwriteinto table test.bank_data;
Insert
hive> create table test ( key string, val string);
hive> insert into test.test values ('1000', 'Hello World!');
hive> insert into test.test values ('1010', 'Hello Hive!');
插入操作，每条语句均会产生一个文件：000000_0, 000000_0_copy_1
注意
- order by 中的字段, 必须在 select 中出现
- 子查询表必须有别名