hadoop 数据仓库 HIVE 查询

HIVE 查询

查询语句语法：

[WITH CommonTableExpression (, CommonTableExpression)*] (Note: Only available

starting with Hive 0.13.0)

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list]

[ORDER BY col_list]

[CLUSTER BY col_list

| [DISTRIBUTE BY col_list] [SORT BY col_list]

]

[LIMIT number]

1234567891011

1.基本查询（Select…From）

1.1 全表和特定列查询

全表查询 hive (default)> select * from emp;

选择特定列查询 hive (default)> select empno, ename from emp;

注意：

（1）SQL 语言大小写不敏感。

（2）SQL 可以写在一行或者多行

（3）关键字不能被缩写也不能分行

（4）各子句一般要分行写。

（5）使用缩进提高语句的可读性。

1.2 列别名

重命名一个列便于计算紧跟列名，也可以在列名和别名之间加入关键字‘AS’ 案例实操查询名称和部门 hive (default)> select ename AS name, deptno dn from emp;

1.3 算术运算符

运算符描述A+BA和B 相加A-BA减去BA*BA和B 相乘A/BA除以BA%BA对B取余A&BA和B按位取与A|BA和B按位取或A^BA和B按位取异或~AA按位取反

案例实操

查询出所有员工的薪水后加1显示。

hive (default)> select sal +1 from emp;

1.4 常用函数

1.4.1 指标函数

求总行数（count） hive (default)> select count(*) cnt from emp;

求工资的最大值（max） hive (default)> select max(sal) max_sal from emp;

求工资的最小值（min） hive (default)> select min(sal) min_sal from emp;

求工资的总和（sum） hive (default)> select sum(sal) sum_sal from emp;

求工资的平均值（avg） hive (default)> select avg(sal) avg_sal from emp;

1.4.2 collect_set 函数

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。

把同一分组的不同行的数据聚合成一个集合

hive (default)> select collect_set(ename),avg(sal) avg_sal from emp group by deptno;

1.4.3 日期处理函数

date_format函数（根据格式整理日期） hive (default)> select date_format('2020-12-19','yyyy-MM');

2020-12

date_add函数（加减日期） hive (default)> select date_add('2019-12-19',-1);

2020-12-18

hive (default)> select date_add('2019-12-19',1);

2020-12-20

1234

next_day函数

取当前天的下一个周一 hive (default)> select next_day('2020-12-19','MO');

2020-12-21

说明：星期一到星期日的英文（Monday，Tuesday、Wednesday、Thursday、Friday、Saturday、Sunday）取当前周的周一 hive (default)> select date_add(next_day('2020-12-19','MO'),-7);

2020-12-14

last_day函数（求当月最后一天日期） hive (default)> select last_day('2020-12-19');

2020-12-31

1.4.4 字符串连接函数

concat 函数返回输入字符串连接后的结果，支持任意个输入字符串; hive (default)> select concat ('2020-12-19','_','2020-12-20');

2020-12-19_2020-12-20

concat_ws 函数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; hive (default)> select concat_ws ('_','2020-12-19','2020-12-20');

2020-12-19_2020-12-20

1.4.5 json 解析函数

hive (default)> select get_json_object(json,'$.mid') mid_id from table_name;

1.5 Limit语句

典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。

hive (default)> select * from emp limit 5;

2. Where语句

使用WHERE子句，将不满足条件的行过滤掉 WHERE子句紧随FROM子句案例实操查询出薪水大于1000的所有员工 hive (default)> select * from emp where sal >1000;

2.1 比较运算符（Between/In/ Is Null）

下面表中描述了谓词操作符，这些操作符同样可以用于JOIN…ON和HAVING语句中。

操作符支持的数据类型描述A=B基本数据类型如果A等于B则返回TRUE，反之返回FALSEA<=>B基本数据类型如果A和B都为NULL，则返回TRUE，其他的和等号（=）操作符的结果一致，如果任一为NULL则结果为NULLA<>B, A!=B基本数据类型A或者B为NULL则返回NULL；如果A不等于B，则返回TRUE，反之返回FALSEAB基本数据类型A或者B为NULL，则返回NULL；如果A大于B，则返回TRUE，反之返回FALSEA>=B基本数据类型A或者B为NULL，则返回NULL；如果A大于等于B，则返回TRUE，反之返回FALSEA [NOT] BETWEEN B AND C基本数据类型如果A，B或者C任一为NULL，则结果为NULL。如果A的值大于等于B而且小于或等于C，则结果为TRUE，反之为FALSE。如果使用NOT关键字则可达到相反的效果。A IS NULL所有数据类型如果A等于NULL，则返回TRUE，反之返回FALSEA IS NOT NULL所有数据类型如果A不等于NULL，则返回TRUE，反之返回FALSEIN(数值1, 数值2)所有数据类型使用 IN运算显示列表中的值A [NOT] LIKE BSTRING 类型B是一个SQL下的简单正则表达式，如果A与其匹配的话，则返回TRUE；反之返回FALSE。B的表达式说明如下：‘x%’表示A必须以字母‘x’开头，‘%x’表示A必须以字母’x’结尾，而‘%x%’表示A包含有字母’x’,可以位于开头，结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。A RLIKE B, A REGEXP BSTRING 类型B是一个正则表达式，如果A与其匹配，则返回TRUE；反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串A相匹配，而不是只需与其字符串匹配。案例实操

查询出薪水等于5000的所有员工 hive (default)> select * from emp where sal =5000;

查询工资在500到1000的员工信息 hive (default)> select * from emp where sal between 500 and 1000;

查询comm为空的所有员工信息 hive (default)> select * from emp where comm is null;

查询工资是1500或5000的员工信息 hive (default)> select * from emp where sal IN (1500, 5000);

2.2 Like 和 RLike

使用LIKE运算选择类似的值选择条件可以包含字符或数字:

%代表零个或多个字符(任意个字符)。_代表一个字符。 RLIKE子句是Hive中这个功能的一个扩展，其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。案例实操

查找以2开头薪水的员工信息 hive (default)> select * from emp where sal LIKE '2%';

查找第二个数值为2的薪水的员工信息 hive (default)> select * from emp where sal LIKE '_2%';

查找薪水中含有2的员工信息 hive (default)> select * from emp where sal RLIKE '[2]';

2.3 逻辑运算符（And/Or/Not）

操作符含义AND逻辑并OR逻辑或NOT逻辑否

案例实操

查询薪水大于1000，部门是30 hive (default)> select * from emp where sal>1000 and deptno=30;

查询薪水大于1000，或者部门是30 hive (default)> select * from emp where sal>1000 or deptno=30;

查询除了20部门和30部门以外的员工信息 hive (default)> select * from emp where deptno not IN(30, 20);

3. 分组

3.1 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队结果进行分组，然后对每个组执行聚合操作。

案例实操：

计算emp表每个部门的平均工资 hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

计算emp每个部门中每个岗位的最高薪水 hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by

t.deptno, t.job;

3.2 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后面不能写分组函数，而having后面可以使用分组函数。having只用于group by分组统计语句。案例实操

求每个部门的平均薪水大于2000的部门求每个部门的平均工资 hive (default)> select deptno, avg(sal) from emp group by deptno;

求每个部门的平均薪水大于2000的部门 hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having

avg_sal > 2000;

4. Join语句

4.1 等值 Join

Hive支持通常的SQL JOIN语句，但是只支持等值连接，不支持非等值连接。

案例实操

根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称

hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d

on e.deptno = d.deptno;

4.2 表的别名

好处

使用别名可以简化查询。使用表名前缀可以提高执行效率。案例实操合并员工表和部门表 hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno;

4.3 内连接

内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno;

4.4 左外连接

左外连接：JOIN 操作符左边表中符合 WHERE 子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno

= d.deptno;

4.5 右外连接

右外连接：JOIN 操作符右边表中符合 WHERE 子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

4.6 满外连接

满外连接：将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用NULL值替代。

hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

4.7 多表连接

注意：连接 n个表，至少需要n-1个连接条件。例如：连接三个表，至少需要两个连接条件。

数据准备

1700 Beijing

1800 London

1900 Tokyo

创建位置表 create table if not exists location(

loc int,

loc_name string

)

row format delimited fields terminated by '\t';

导入数据 hive (default)> load data local inpath '/opt/module/datas/location.txt' into table location;

多表连接查询 SELECT e.ename, d.deptno, l. loc_name

FROM emp e

JOIN dept d

ON d.deptno = e.deptno

JOIN location l

ON d.loc = l.loc;

大多数情况下，Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。本例中会首先启动一个 MapReduce job 对表e和表d进行连接操作，然后会再启动一个 MapReduce job 将第一个 MapReduce job 的输出和表l;进行连接操作。

注意：为什么不是表d和表l先进行连接操作呢？

这是因为Hive总是按照从左到右的顺序执行的。

4.8 笛卡尔积

笛卡尔集会在下面条件下产生

省略连接条件连接条件无效所有表中的所有行互相连接案例实操 hive (default)> select empno, dname from emp, dept;

4.9 连接谓词中不支持 or

错误写法

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno

= d.deptno or e.ename=d.ename;

5. 排序

5.1 全局排序（Order By）

Order By：全局排序，一个Reducer

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

查询员工信息按工资升序排列 hive (default)> select * from emp order by sal;

查询员工信息按工资降序排列 hive (default)> select * from emp order by sal desc;

5.2 按照别名排序

按照员工薪水的2倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal;

5.3 多个列排序

按照部门和工资升序排序

hive (default)> select ename, deptno, sal from emp order by deptno, sal ;

5.4 每个MapReduce内部排序（Sort By）

Sort By：每个Reducer内部进行排序，对全局结果集来说不是排序。

设置reduce个数 hive (default)> set mapreduce.job.reduces=3;

查看设置 reduce 个数 hive (default)> set mapreduce.job.reduces;

根据部门编号降序查看员工信息 hive (default)> select * from emp sort by empno desc;

将查询结果导入到文件中（按照部门编号降序排序） hive (default)> insert overwrite local directory '/opt/module/datas/sortby-result' select * from emp sort by deptno desc;

5.5 分区排序（Distribute By）

Distribute By：类似MR中partition，进行分区，结合sort by使用。

注意，Hive要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

对于distribute by进行测试，一定要分配多reduce进行处理，否则无法看到 distribute by 的效果。

案例实操：

先按照部门编号分区，再按照员工编号降序排序。 hive (default)> set mapreduce.job.reduces=3;

hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

5.6 Cluster By

当distribute by和sorts by字段相同时，可以使用cluster by方式。

cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。

以下两种写法等价 hive (default)> select * from emp cluster by deptno;

hive (default)> select * from emp distribute by deptno sort by deptno;

注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去。

6. 分桶及抽样查询

6.1 分桶表数据存储

分区针对的是数据的存储路径。

分桶针对的是数据文件。

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。

分桶是将数据集分解成更容易管理的若干部分的另一个技术。

6.1.1 先创建分桶表，通过直接导入数据文件的方式

数据准备 1001 ss1

1002 ss2

1003 ss3

1004 ss4

1005 ss5

1006 ss6

1007 ss7

1008 ss8

1009 ss9

1010 ss10

1011 ss11

1012 ss12

1013 ss13

1014 ss14

1015 ss15

1016 ss16

创建分桶表 create table stu_buck(id int, name string)

clustered by(id)

into 4 buckets

row format delimited fields terminated by '\t';

查看表结构 hive (default)> desc formatted stu_buck;

Num Buckets: 4

导入数据到分桶表中 hive (default)> load data local inpath '/opt/module/datas/student.txt' into table stu_buck;

查看创建的分桶表中是否分成4个桶图未分桶

发现并没有分成4个桶。是什么原因呢？

6.1.2 创建分桶表时，数据通过子查询的方式导入

先建一个普通的stu表 create table stu(id int, name string)row format delimited fields terminated by '\t';

向普通的stu表中导入数据 load data local inpath '/opt/module/datas/student.txt' into table stu;

清空stu_buck表中数据 truncate table stu_buck;

select * from stu_buck;

导入数据到分桶表，通过子查询的方式 insert into table stu_buckselect id, name from stu;

发现还是只有一个分桶，如图6-8所示图未分桶需要设置一个属性 hive (default)> set hive.enforce.bucketing=true;

hive (default)> set mapreduce.job.reduces=-1;

hive (default)> insert into table stu_buck select id, name from stu;

查询分桶的数据 hive (default)> select * from stu_buck;

stu_buck.id stu_buck.name

1012 ss12

1008 ss8

1016 ss16

1004 ss4

1001 ss1

1005 ss5

1013 ss13

1009 ss9

1010 ss10

1002 ss2

1014 ss14

1006 ss6

1003 ss3

1011 ss11

1015 ss15

1007 ss7

Time taken: 0.113 seconds, Fetched: 16 row(s)

6.2 分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

查询表stu_buck中的数据。

hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y)。

y 必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例。例如，table总共分了4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据。

x表示从哪个bucket开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，抽取第1(x)个和第3(x+y)个bucket的数据。

注意：x的值必须小于等于y的值，否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

1. 系统内置函数

查看系统自带的函数 hive> show functions;

显示自带的函数的用法 hive> desc function upper;

详细显示自带的函数的用法 hive> desc function extended upper;

2. 常用函数

2.1 指标函数

求总行数（count） hive (default)> select count(*) cnt from emp;

求工资的最大值（max） hive (default)> select max(sal) max_sal from emp;

求工资的最小值（min） hive (default)> select min(sal) min_sal from emp;

求工资的总和（sum） hive (default)> select sum(sal) sum_sal from emp;

求工资的平均值（avg） hive (default)> select avg(sal) avg_sal from emp;

2.2 collect_set 函数

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。

把同一分组的不同行的数据聚合成一个集合

hive (default)> select collect_set(ename),avg(sal) avg_sal from emp group by deptno;

2.3 日期处理函数

date_format函数（根据格式整理日期） hive (default)> select date_format('2020-12-19','yyyy-MM');

2020-12

date_add函数（加减日期） hive (default)> select date_add('2019-12-19',-1);

2020-12-18

hive (default)> select date_add('2019-12-19',1);

2020-12-20

1234

next_day函数

取当前天的下一个周一 hive (default)> select next_day('2020-12-19','MO');

2020-12-21

说明：星期一到星期日的英文（Monday，Tuesday、Wednesday、Thursday、Friday、Saturday、Sunday）取当前周的周一 hive (default)> select date_add(next_day('2020-12-19','MO'),-7);

2020-12-14

last_day函数（求当月最后一天日期） hive (default)> select last_day('2020-12-19');

2020-12-31

2.4 字符串连接函数

concat 函数返回输入字符串连接后的结果，支持任意个输入字符串; hive (default)> select concat ('2020-12-19','_','2020-12-20');

2020-12-19_2020-12-20

2.5 json 解析函数

hive (default)> select get_json_object(json,'$.mid') mid_id from table_name;

3. 其他常用查询函数

3.1 空字段赋值

函数说明 NVL：给值为 NULL 的数据赋值，它的格式是 NVL( string1, replace_with)。它的功能是如果string1为NULL，则NVL函数返回replace_with的值，否则返回string1的值，如果两个参数都为NULL ，则返回NULL。数据准备：采用员工表查询：如果员工的 comm 为 NULL，则用 -1代替 hive (default)> select nvl(comm,-1) from emp;

_c0

-1.0

300.0

500.0

-1.0

1400.0

-1.0

0.0

-1.0

Time taken: 0.11 seconds, Fetched: 14 row(s)

123456789101112131415161718

查询：如果员工的comm为NULL，则用领导id代替 hive (default)> select nvl(comm,mgr) from emp;

_c0

7902.0

300.0

500.0

7839.0

1400.0

7839.0

7566.0

NULL

0.0

7788.0

7698.0

7566.0

7782.0

Time taken: 0.115 seconds, Fetched: 14 row(s)

123456789101112131415161718

3.2 CASE WHEN

数据准备悟空 A 男

大海 A 男

宋宋 B 男

凤姐 A 女

婷姐 B 女

婷婷 B 女

123456

需求求出不同部门男女各多少人。结果如下： A 2 1

B 1 2

创建hive表并导入数据 create table emp_sex(

name string,

dept_id string,

sex string

)

row format delimited fields terminated by "\t";

load data local inpath '/opt/module/datas/emp_sex.txt' into table emp_sex;

1234567

按需求查询数据 select

dept_id,

sum(case sex when '男' then 1 else 0 end) male_count,

sum(case sex when '女' then 1 else 0 end) female_count

from

emp_sex

group by

dept_id;

12345678

3.3 行转列

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()。第一个参数是分隔符。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。数据准备表数据准备

nameconstellationblood_type孙悟空白羊座A沙僧射手座A唐僧白羊座B猪八戒白羊座A白龙马射手座A

需求把星座和血型一样的人归类到一起。结果如下：射手座,A 沙僧|白龙马

白羊座,A 孙悟空|猪八戒

白羊座,B 唐僧

123

创建本地constellation.txt，导入数据 [dwjf321@hadoop102 ~]$ vim /opt/module/datas/constellation.txt

孙悟空白羊座 A

沙僧射手座 A

唐僧白羊座 B

猪八戒白羊座 A

白龙马射手座 A

123456

创建hive表并导入数据 create table person_info(

name string,

constellation string,

blood_type string)

row format delimited fields terminated by "\t";

load data local inpath '/opt/module/datas/constellation.txt' into table person_info;

123456

按需求查询结果 select

t.base,

concat_ws('|', collect_set(t.name)) name

from

(

select

concat(constellation, ',', blood_type) base, name

from

person_info ) t

group by

t.base

1234567891011

3.4 列转行

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。数据准备表数据准备

moviecategory《疑犯追踪》悬疑,动作,科幻,剧情《Lie to me》悬疑,警匪,动作,心理,剧情《战狼2》战争,动作,灾难

需求将电影分类中的数组数据展开。结果如下：《疑犯追踪》悬疑

《疑犯追踪》动作

《疑犯追踪》科幻

《疑犯追踪》剧情

《Lie to me》悬疑

《Lie to me》警匪

《Lie to me》动作

《Lie to me》心理

《Lie to me》剧情

《战狼2》战争

《战狼2》动作

《战狼2》灾难

123456789101112

创建本地movie.txt，导入数据 [dwjf321@hadoop102 ~]$ vim /opt/module/datas/movie.txt

《疑犯追踪》悬疑,动作,科幻,剧情

《Lie to me》悬疑,警匪,动作,心理,剧情

《战狼2》战争,动作,灾难

1234

创建 hive 表并导入数据 create table movie_info(

movie string,

category array)

row format delimited fields terminated by "\t"

collection items terminated by ",";

load data local inpath '/opt/module/datas/movie.txt' into table movie_info;

123456

按需求查询数据 select

movie,

category_name

from

movie_info lateral view explode(category) temp_col as category_name;

12345

3.5 窗口函数

相关函数说明 OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化 CURRENT ROW：当前行 n PRECEDING：往前n行数据 n FOLLOWING：往后n行数据 UNBOUNDED：起点 UNBOUNDED PRECEDING：表示从前面的起点 UNBOUNDED FOLLOWING：表示到后面的终点 LAG(col,n)：往前第n行数据 LEAD(col,n)：往后第n行数据 NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，NTILE返回此行所属的组的编号。注意：n必须为int类型。数据准备：name，orderdate，cost jack,2017-01-01,10

tony,2017-01-02,15

jack,2017-02-03,23

tony,2017-01-04,29

jack,2017-01-05,46

jack,2017-04-06,42

tony,2017-01-07,50

jack,2017-01-08,55

mart,2017-04-08,62

mart,2017-04-09,68

neil,2017-05-10,12

mart,2017-04-11,75

neil,2017-06-12,80

mart,2017-04-13,94

1234567891011121314

需求（1）查询在2017年4月份购买过的顾客及总人数（2）查询顾客的购买明细及月购买总额（3）上述的场景,要将cost按照日期进行累加（4）查询顾客上次的购买时间（5）查询前20%时间的订单信息创建本地business.txt，导入数据 [dwjf321@hadoop102 ~]$ vim /opt/module/datas/business.txt

jack,2017-01-01,10

tony,2017-01-02,15

jack,2017-02-03,23

tony,2017-01-04,29

jack,2017-01-05,46

jack,2017-04-06,42

tony,2017-01-07,50

jack,2017-01-08,55

mart,2017-04-08,62

mart,2017-04-09,68

neil,2017-05-10,12

mart,2017-04-11,75

neil,2017-06-12,80

mart,2017-04-13,94

123456789101112131415

创建hive表并导入数据 create table business(

name string,

orderdate string,

cost int

) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

load data local inpath '/opt/module/datas/business.txt' into table business;

1234567

按需求查询数据

需求一：查询在 2017 年 4 月份购买过的顾客及总人数 select

name,

count(*) over()

from

business

where

substring(orderdate, 0, 7)= '2017-04'

group by

name;

123456789

查询结果： jack 2

mart 2

购买过的顾客有：jack 和 mart，总人数是：2。需求二：查询顾客的购买明细及月购买总额 select

name,

orderdate,

cost,

sum(cost) over(partition by month(orderdate))

from

business;

1234567

查询结果： jack 2017-01-01 10 205

tony 2017-01-02 15 205

tony 2017-01-04 29 205

jack 2017-01-05 46 205

tony 2017-01-07 50 205

jack 2017-01-08 55 205

jack 2017-02-03 23 23

mart 2017-04-13 94 341

mart 2017-04-08 62 341

mart 2017-04-09 68 341

mart 2017-04-11 75 341

jack 2017-04-06 42 341

neil 2017-05-10 12 12

neil 2017-06-12 80 80

1234567891011121314

需求三：上述的场景,要将cost按照日期进行累加 select

name,

orderdate,

cost,

sum(cost) over() sample1,--所有行相加

sum(cost) over(partition by name) sample2,--按 name 分组，组内数据相加

sum(cost) over(partition by name order by orderdate) sample3,--按 name 分组，组内数据累加

sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row) sample4,--结果与 sample3一样，由起始行到当前行累加

sum(cost) over(partition by name order by orderdate rows between 1 preceding and current row) sample5,--当前行和前面一行做聚合

sum(cost) over(partition by name order by orderdate rows between 1 preceding and 1 following) sample6,--前一行、当前行、后一行做聚合

sum(cost) over(partition by name order by orderdate rows between 1 preceding and unbounded following) sample7 --前一行到最后一行聚合

from

business;

12345678910111213

需求四：查看顾客上次的购买时间 select

name,

orderdate,

cost,

lag(orderdate, 1, '1900-01-01') over(partition by name order by orderdate) time1--求上次购买时间，默认值：1900-01-01

from

business;

1234567

需求五：查询前20%时间的订单信息 select

from

(

select

name, orderdate, cost, ntile(5) over(

order by orderdate) sorted

from

business ) t

where

t.sorted = 1;

1234567891011

3.6 Rank

函数说明 RANK()：排序相同时会重复，总数不会变 DENSE_RANK()：排序相同时会重复，总数会减少 ROW_NUMBER()：会根据顺序计算数据准备表数据准备

namesubjectscore孙悟空语文87孙悟空数学95孙悟空英语68大海语文94大海数学56大海英语84宋宋语文64宋宋数学86宋宋英语84婷婷语文65婷婷数学85婷婷英语78

需求计算每门学科成绩排名。创建本地 score.txt，导入数据孙悟空语文 87

孙悟空数学 95

孙悟空英语 68

大海语文 94

大海数学 56

大海英语 84

宋宋语文 64

宋宋数学 86

宋宋英语 84

婷婷语文 65

婷婷数学 85

婷婷英语 78

123456789101112

创建hive表并导入数据 create table score(

name string,

subject string,

score int)

row format delimited fields terminated by "\t";

load data local inpath '/opt/module/datas/score.txt' into table score;

123456

根据需求查询数据 select

name,

subject,

score,

rank() over(partition by subject order by score desc) rp,--排序相同时会重复，总数不会变

dense_rank() over(partition by subject order by score desc) drp,--排序相同时会重复，总数会减少

row_number() over(partition by subject order by score desc) rmp --会根据顺序计算

from score;

12345678

4. 自定义函数

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 explore() 官方文档地址 https://cwiki.apache.org/confluence/display/Hive/HivePlugins 编程步骤：

继承org.apache.hadoop.hive.ql.UDF 需要实现evaluate函数；evaluate函数支持重载；在hive的命令行窗口创建函数

添加 jar add jar linux_jar_path

创建 function create [temporary] function [dbname.]function_name AS class_name;

在 hive 的命令行窗口删除函数 drop [temporary] function [if exists] [dbname.]function_name;

注意事项 UDF必须要有返回类型，可以返回null，但是返回类型不能为void；

5. 自定义 UDF 函数

创建一个 maven 工程导入依赖

org.apache.hive

hive-exec

1.2.1

1234567

创建一个类 package com.big.data.hive.udf;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.hive.ql.exec.UDF;

import org.json.JSONObject;

/**

* 自定义 UDF 函数

public class BaseFieldUDF extends UDF {

public static String evaluate(String line, String jsonKeysString) {

// 0 准备一个sb

StringBuilder sb = new StringBuilder();

// 1 切割jsonkeys mid uid vc vn l sr os ar md

String[] jsonkeys = jsonKeysString.split(",");

// 2 处理line 服务器时间 | json

String[] logContents = line.split("\\|");

// 3 合法性校验

if (logContents.length != 2 || StringUtils.isBlank(logContents[1])) {

return "";

}

try {

JSONObject jsonObject = new JSONObject(logContents[1]);

// 获取cm里面的对象

JSONObject base = jsonObject.getJSONObject("cm");

for (int i = 0; i < jsonkeys.length; i++) {

String filedName = jsonkeys[i].trim();

if (base.has(filedName)) {

sb.append(base.getString(filedName)).append("\t");

} else {

sb.append("\t");

}

sb.append(jsonObject.getString("et")).append("\t");

sb.append(logContents[0]).append("\t");

}catch (Exception e) {

e.printStackTrace();

}

return sb.toString();

}

public static void main(String[] args) throws Exception{

String line = "1541217850324|{\"cm\":{\"mid\":\"m7856\",\"uid\":\"u8739\",\"ln\":\"-74.8\",\"sv\":\"V2.2.2\",\"os\":\"8.1.3\",\"g\":\"P7XC9126@gmail.com\",\"nw\":\"3G\",\"l\":\"es\",\"vc\":\"6\",\"hw\":\"640*960\",\"ar\":\"MX\",\"t\":\"1541204134250\",\"la\":\"-31.7\",\"md\":\"huawei-17\",\"vn\":\"1.1.2\",\"sr\":\"O\",\"ba\":\"Huawei\"},\"ap\":\"weather\",\"et\":[{\"ett\":\"1541146624055\",\"en\":\"display\",\"kv\":{\"goodsid\":\"n4195\",\"copyright\":\"ESPN\",\"content_provider\":\"CNN\",\"extend2\":\"5\",\"action\":\"2\",\"extend1\":\"2\",\"place\":\"3\",\"showtype\":\"2\",\"category\":\"72\",\"newstype\":\"5\"}},{\"ett\":\"1541213331817\",\"en\":\"loading\",\"kv\":{\"extend2\":\"\",\"loading_time\":\"15\",\"action\":\"3\",\"extend1\":\"\",\"type1\":\"\",\"type\":\"3\",\"loading_way\":\"1\"}},{\"ett\":\"1541126195645\",\"en\":\"ad\",\"kv\":{\"entry\":\"3\",\"show_style\":\"0\",\"action\":\"2\",\"detail\":\"325\",\"source\":\"4\",\"behavior\":\"2\",\"content\":\"1\",\"newstype\":\"5\"}},{\"ett\":\"1541202678812\",\"en\":\"notification\",\"kv\":{\"ap_time\":\"1541184614380\",\"action\":\"3\",\"type\":\"4\",\"content\":\"\"}},{\"ett\":\"1541194686688\",\"en\":\"active_background\",\"kv\":{\"active_source\":\"3\"}}]}";

String x = BaseFieldUDF.evaluate(line, "mid,uid,vc,vn,l,sr,os,ar,md,ba,sv,g,hw,nw,ln,la,t");

}

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859

打成jar包上传到服务器/opt/module/jars/hive-udf.jar 将jar包添加到hive的classpath hive (default)> add jar /opt/module/datas/hive-udf.jar;

创建临时函数与 class关联 hive (default)> create temporary function base_analizer as "com.big.data.hive.udf.BaseFieldUDF";

即可在hql中使用自定义的函数base_analizer hive (default)> select

split(base_analizer(line,'mid,uid,vc,vn,l,sr,os,ar,md,ba,sv,g,hw,t,nw,ln,la'),'\t')[0] as mid_id from ods_event_log;

6. 自定义 UDTF 函数

6.1 自定义 UDTF 步骤

创建一个类，继承 org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。重写 initialize方法，指定输出参数的名称和参数类型。重写 process，输入一条记录，输出若干个结果。重写 close方法。

6.2 具体实现

创建一个类 package com.big.data.hive.udtf;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;

import org.apache.hadoop.hive.ql.metadata.HiveException;

import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;

import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;

import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;

import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;

import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;

import org.json.JSONArray;

import org.json.JSONException;

import java.util.ArrayList;

import java.util.List;

/**

* 自定义 UDTF 函数

public class EventJsonUDTF extends GenericUDTF {

/**

* 初始化

* 指定输出参数的名称和参数类型

* @param argOIs

* @return

* @throws UDFArgumentException

@Override

public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {

ArrayList fieldNameList = new ArrayList<>();

ArrayList fieldOIList = new ArrayList<>();

fieldNameList.add("event_name");

fieldOIList.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

fieldNameList.add("event_json");

fieldOIList.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNameList,fieldOIList);

}

/**

* 输入一条记录，输出若干结果

* @param objects

* @throws HiveException

@Override

public void process(Object[] objects) throws HiveException {

if (objects == null || objects.length < 1) {

return;

}

// 获取传入的 et

Object object = objects[0];

if (object == null) {

return;

}

String input = object.toString();

if (StringUtils.isEmpty(input)) {

return;

}

JSONArray jsonArray = null;

try {

jsonArray = new JSONArray(input);

} catch (JSONException e) {

e.printStackTrace();

}

if (jsonArray == null || jsonArray.length() <= 0) {

return;

}

for (int i = 0; i < jsonArray.length(); i++) {

try {

String[] result = new String[2];

// 取出事件名称

result[0] = jsonArray.getJSONObject(i).getString("en");

// 取出整个事件

result[1] = jsonArray.getString(i);

forward(result);

}catch (Exception e) {

e.printStackTrace();

continue;

}

@Override

public void close() throws HiveException {

}

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596

打成jar包上传到服务器/opt/module/jars/hive-udtf.jar 将jar包添加到hive的classpath hive (default)> add jar /opt/module/datas/hive-udtf.jar;

创建临时函数与 class关联 hive (default)> create temporary function flat_analizer as 'com.big.data.hive.udtf.EventJsonUDTF';

即可在hql中使用自定义的函数flat_analizer select

event_name,

event_json

from

(

select

split(base_analizer(line, 'mid,uid,vc,vn,l,sr,os,ar,md,ba,sv,g,hw,t,nw,ln,la'), '\t')[17] as ops

from

ods_event_log ) t lateral view flat_analizer(t.ops) tem_k as event_name,

event_json;

精彩链接

评论可见，请评论后查看内容，谢谢！！！

您阅读本篇文章共花了：

金钥匙

hadoop 数据仓库 HIVE 查询

容器运维 Docker基本管理

flink sql flink 流批一体化 flink kafka flink catalog hivecatalog flink hadoop flink 实时计算 42、Flink 的table api与sql之Hive Catalog

发表评论取消回复

金钥匙

hadoop 数据仓库 HIVE 查询

容器 运维 Docker基本管理

flink sql flink 流批一体化 flink kafka flink catalog hivecatalog flink hadoop flink 实时计算 42、Flink 的table api与sql之Hive Catalog

相关文章

发表评论取消回复

容器运维 Docker基本管理