Hive 基础

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

# 语法
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

## Sample
# 设置
SET mapreduce.job.counters.max = 200;

# 查看
SET mapreduce.job.counters.max;
P.S. 上面变量可以显示变更，但并未生效，需要在 mapred-site.xml 配置并重启。

# 改变引擎，当前运行环境中生效
set hive.execution.engine = mr;
set hive.execution.engine = tez;

# 变量在 SQL 中使用
set tbl = emp;
SELECT * FROM ${hiveconf:tbl};

命令行

beeline -u jdbc:hive2://localhost:10000/default -n hdfs
#
beeline -.OR.- hive

# 执行 SQL
-e "select * from emp;select 5+3"
# 执行文件
-f sql/emp.sql

## 关闭日志
# 命令行参数
--hiveconf hive.server2.logging.operation.level=NONE
# 或者在 $HIVE_HOME/conf/hive-site.xml
hive.server2.logging.operation.enabled: [true|false]
hive.server2.logging.operation.level:
 NONE：忽略任何日志记录
 EXECUTION：记录任务完成情况
 PERFORMANCE: 执行+性能日志
 VERBOSE：所有日志
hive.server2.logging.operation.log.location:
 /opt/hive/log

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：

# 分隔符为逗号，字符串中有特殊字符用双引号引起来
create table test_csv(
  ky int,
  val string,
  ct string,
  memo string
)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.serde2.OpenCSVSerde' 
WITH SERDEPROPERTIES ( 
  'quoteChar'='"', 
  'separatorChar'=',', 
  'serialization.encoding'='UTF-8')
stored as textfile;

数据类型

基本数据类型

基础数据类型	字节数	Memo
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

集合数据类型	Memo
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

Data

Load

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1,partcol2=val2 ...)]

Load CSV

CSV 导入模式是先导入成 textfile, 之后再从临时表 insert 成 parquet。

注意：若 Load CSV 无报错，但导入皆为 NULL，此种情况一般为格式问题（如导入 iceberg 格式表时，需要先导入 LazySimpleSerDe/OpenCSVSerde 格式表）。

• 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' overwrite 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

注意

Select

• order by 中的字段, 必须在 select 中出现
• 子查询表必须有别名

Set

# 想用下列方法取执行时间是错误的
SET tb = unix_timestamp();
...
SET te = unix_timestamp();
SELECT (${hiveconf:te} - ${hiveconf:tb}) AS execution_time;
## 原因：
执行 SET tb = 时，没有想像中的保存当时的系统时间，而保存的是 unix_timestamp()。这样在 select 两个值相减时，结果为零。
## 解决：无