大数据分析利器之hive

一、课前准备

安装hive环境掌握hive sql常见的DDL和DML操作掌握hive sql的分区表构建和使用

二、课堂主题

本堂课主要围绕hive的查询操作进行讲解。主要包括以下几个方面

select查询语句中的基本查询select查询语句的分组select查询语句中的joinselect查询语句中的排序

三、课堂目标

掌握hive中select查询语句中的基本语法掌握hive中select查询语句的分组掌握hive中select查询语句中的join掌握hive中select查询语句中的排序

四、知识要点

1、hive的参数传递

1、Hive命令行

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zNamkhd7-1572578982201)(hive_day03%E8%AF%BE%E7%A8%8B%E8%AE%BE%E8%AE%A1.assets/clip_image001.png)] 语法结构

hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]

说明：

1、 -i 从文件初始化HQL。

2、 -e从命令行执行指定的HQL

3、 -f 执行HQL脚本

4、 -v 输出执行的HQL语句到控制台

5、 -p connect to Hive Server on port number

6、 -hiveconf x=y Use this to set hive/hadoop configuration variables. 设置hive运行时候的参数配置

2、Hive参数配置方式

Hive参数大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

开发Hive应用时，不可避免地需要设定Hive的参数。设定Hive的参数可以调优HQL代码的执行效率，或帮助定位问题。然而实践中经常遇到的一个问题是，为什么设定的参数没有起作用？这通常是错误的设定方式导致的。

对于一般参数，有以下三种设定方式：

配置文件 hive-site.xml 命令行参数 启动hive客户端的时候可以设置参数 参数声明 进入客户单以后设置的一些参数 set

配置文件：Hive的配置文件包括

用户自定义配置文件：$HIVE_CONF_DIR/hive-site.xml

默认配置文件：$HIVE_CONF_DIR/hive-default.xml

用户自定义配置会覆盖默认配置。

另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。

命令行参数：启动Hive（客户端或Server方式）时，可以在命令行添加-hiveconf param=value来设定参数，例如：

bin/hive -hiveconf hive.root.logger=INFO,console

这一设定对本次启动的Session（对于Server方式启动，则是所有请求的Sessions）有效。

参数声明：可以在HQL中使用SET关键字设定参数，例如：

set mapred.reduce.tasks=100;

这一设定的作用域也是session级的。

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文件设定。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在Session建立以前已经完成了。

参数声明 > 命令行参数 > 配置文件参数（hive）

3、使用变量传递参数

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的 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

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:

${hiveconf:key} bin/hive --hiveconf "mapred.job.queue.name=root.default"

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：

使用前缀: ${hivevar:key} 不使用前缀: ${key} --hivevar name=zhangsan ${hivevar:name} 也可以这样取值 ${name}

define使用说明

define与hivevar用途完全一样，还有一种简写“-d bin/hive --hiveconf "mapred.job.queue.name=root.default" -d my="201809" --database mydb 执行SQL select * from mydb where concat(year, month) = ${my} limit 10;

hiveconf与hivevar使用实战

需求：hive当中执行以下hql语句，并将参数全部都传递进去

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

开发hql脚本，并使用hiveconf和hivevar进行参数穿肚

node03执行以下命令定义hql脚本

cd /kkb/instal/hivedatas vim hivevariable.hql use myhive; select * from student left join score on student.s_id = score.s_id where score.month = ${hiveconf:month} and score.s_score > ${hivevar:s_score} and score.c_id = ${c_id};

第三步：调用hive脚本并传递参数

node03执行以下命令并

[root@node03 hive-1.1.0-cdh5.14.2]# bin/hive --hiveconf month=201807 --hivevar s_score=80 --hivevar c_id=03 -f /kkb/install/hivedatas/hivevariable.hql

2、hive的常用函数介绍

系统内置函数

1．查看系统自带的函数 hive> show functions; 2．显示自带的函数的用法 hive> desc function upper; 3．详细显示自带的函数的用法 hive> desc function extended upper;

1、数值计算

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）

hive> select round(3.1415926) from tableName; 3 hive> select round(3.5) from tableName; 4 hive> create table tableName as select round(9542.158) from tableName;

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

hive> select round(3.1415926,4) from tableName; 3.1416

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

hive> select floor(3.1415926) from tableName; 3 hive> select floor(25) from tableName; 25

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

hive> select ceil(3.1415926) from tableName; 4 hive> select ceil(46) from tableName; 46

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

hive> select ceiling(3.1415926) from tableName; 4 hive> select ceiling(46) from tableName; 46

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

hive> select rand() from tableName; 0.5577432776034763 hive> select rand() from tableName; 0.6638336467363424 hive> select rand(100) from tableName; 0.7220096548596434 hive> select rand(100) from tableName; 0.7220096548596434

2、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

hive> select from_unixtime(1323308943,'yyyyMMdd') from tableName; 20111208

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

hive> select unix_timestamp() from tableName; 1323309615

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。

hive> select unix_timestamp('2011-12-07 13:01:03') from tableName; 1323234063

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。

hive> select unix_timestamp('20111207 13:01:03','yyyyMMdd HH:mm:ss') from tableName; 1323234063

5、日期时间转日期函数: to_date

语法: to_date(string timestamp) 返回值: string 说明: 返回日期时间字段中的日期部分。

hive> select to_date('2011-12-08 10:03:01') from tableName; 2011-12-08

6、日期转年函数: year

语法: year(string date) 返回值: int 说明: 返回日期中的年。

hive> select year('2011-12-08 10:03:01') from tableName; 2011 hive> select year('2012-12-08') from tableName; 2012

7、日期转月函数: month

语法: month (string date) 返回值: int 说明: 返回日期中的月份。

hive> select month('2011-12-08 10:03:01') from tableName; 12 hive> select month('2011-08-08') from tableName; 8

8、日期转天函数: day

语法: day (string date) 返回值: int 说明: 返回日期中的天。

hive> select day('2011-12-08 10:03:01') from tableName; 8 hive> select day('2011-12-24') from tableName; 24

9、日期转小时函数: hour

语法: hour (string date) 返回值: int 说明: 返回日期中的小时。

hive> select hour('2011-12-08 10:03:01') from tableName; 10

10、日期转分钟函数: minute

语法: minute (string date) 返回值: int 说明: 返回日期中的分钟。

hive> select minute('2011-12-08 10:03:01') from tableName; 3 hive> select second('2011-12-08 10:03:01') from tableName; 1

12、日期转周函数: weekofyear

语法: weekofyear (string date) 返回值: int 说明: 返回日期在当前的周数。

hive> select weekofyear('2011-12-08 10:03:01') from tableName; 49

13、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。

hive> select datediff('2012-12-08','2012-05-09') from tableName; 213

14、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。

hive> select date_add('2012-12-08',10) from tableName; 2012-12-18

15、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。

hive> select date_sub('2012-12-08',10) from tableName; 2012-11-28

3、条件函数

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

hive> select if(1=2,100,200) from tableName; 200 hive> select if(1=1,100,200) from tableName; 100

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

hive> select COALESCE(null,'100','50') from tableName; 100

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

hive> Select case 100 when 50 then 'tom' when 100 then 'mary' else 'tim' end from tableName; mary hive> Select case 200 when 50 then 'tom' when 100 then 'mary' else 'tim' end from tableName; tim

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

hive> select case when 1=2 then 'tom' when 2=2 then 'mary' else 'tim' end from tableName; mary hive> select case when 1=1 then 'tom' when 2=2 then 'mary' else 'tim' end from tableName; tom

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

hive> select length('abcedfg') from tableName;

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

hive> select reverse('abcedfg') from tableName; gfdecba

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

hive> select concat('abc','def','gh') from tableName; abcdefgh

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

hive> select concat_ws(',','abc','def','gh')from tableName; abc,def,gh

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

hive> select substr('abcde',3) from tableName; cde hive> select substring('abcde',3) from tableName; cde hive> select substr('abcde',-1) from tableName; （和ORACLE相同） e

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

hive> select substr('abcde',3,2) from tableName; cd hive> select substring('abcde',3,2) from tableName; cd hive>select substring('abcde',-2,2) from tableName; de

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

hive> select upper('abSEd') from tableName; ABSED hive> select ucase('abSEd') from tableName; ABSED

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

hive> select lower('abSEd') from tableName; absed hive> select lcase('abSEd') from tableName; absed

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

hive> select trim(' abc ') from tableName; abc

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.

hive> select parse_url ('https://www.tableName.com/path1/p.php?k1=v1&k2=v2#Ref1', 'HOST') from tableName; www.tableName.com hive> select parse_url ('https://www.tableName.com/path1/p.php?k1=v1&k2=v2#Ref1', 'QUERY', 'k1') from tableName; v1

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。

hive> select get_json_object('{"store":{"fruit":\[{"weight":8,"type":"apple"},{"weight":9,"type":"pear"}], "bicycle":{"price":19.95,"color":"red"} },"email":"amy@only_for_json_udf_test.net","owner":"amy"}','$.owner') from tableName;

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

hive> select repeat('abc',5) from tableName; abcabcabcabcabc

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

hive> select split('abtcdtef','t') from tableName; ["ab","cd","ef"]

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

hive> select count(*) from tableName; 20 hive> select count(distinct t) from tableName; 10

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

hive> select sum(t) from tableName; 100 hive> select sum(distinct t) from tableName; 70

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

hive> select avg(t) from tableName; 50 hive> select avg (distinct t) from tableName; 30

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

hive> select min(t) from tableName; 20

5、最大值统计函数: max

语法: maxcol) 返回值: double 说明: 统计结果集中col字段的最大值

hive> select max(t) from tableName; 120

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

create table score_map(name string, score map<string,int>) row format delimited fields terminated by '\t' collection items terminated by ',' map keys terminated by ':'; 创建数据内容如下并加载数据 cd /kkb/install/hivedatas/ vim score_map.txt zhangsan 数学:80,语文:89,英语:95 lisi 语文:60,数学:80,英语:99 加载数据到hive表当中去 load data local inpath '/kkb/install/hivedatas/score_map.txt' overwrite into table score_map; map结构数据访问： 获取所有的value： select name,map_values(score) from score_map; 获取所有的key： select name,map_keys(score) from score_map; 按照key来进行获取value值 select name,score["数学"] from score_map; 查看map元素个数 select name,size(score) from score_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，假设我们的数据格式是这样的，电影ABC，有1254人评价过，打分为7.4分

创建struct表 hive> create table movie_score( name string, info struct<number:int,score:float> )row format delimited fields terminated by "\t" collection items terminated by ":"; 加载数据 cd /kkb/install/hivedatas/ vim struct.txt ABC 1254:7.4 DEF 256:4.9 XYZ 456:5.4 加载数据 load data local inpath '/kkb/install/hivedatas/struct.txt' overwrite into table movie_score; hive当中查询数据 hive> select * from movie_score; hive> select info.number,info.score from movie_score; OK 1254 7.4 256 4.9 456 5.4

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

hive> create table person(name string,work_locations array<string>) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' COLLECTION ITEMS TERMINATED BY ','; 加载数据到person表当中去 cd /kkb/install/hivedatas/ vim person.txt 数据内容格式如下 biansutao beijing,shanghai,tianjin,hangzhou linan changchu,chengdu,wuhan 加载数据 hive > load data local inpath '/kkb/install/hivedatas/person.txt' overwrite into table person; 查询所有数据数据 hive > select * from person; 按照下表索引进行查询 hive > select work_locations[0] from person; 查询所有集合数据 hive > select work_locations from person; 查询元素个数 hive > select size(work_locations) from person;

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

hive> select size(t) from map_table2; 2

2.array类型长度函数: size(Array)

语法: size(Array) 返回值: int 说明: 返回array类型的长度

hive> select size(t) from arr_table2; 4

3.类型转换函数

类型转换函数: cast 语法: cast(expr as ) 返回值: Expected “=” to follow “type” 说明: 返回转换后的数据类型

hive> select cast('1' as bigint) from tableName; 1

8、hive当中的lateral view 与 explode以及reflect和分析函数

1、使用explode函数将hive表中的Map和Array字段数据进行拆分

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。 其中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

需求：现在有数据格式如下 zhangsan child1,child2,child3,child4 k1:v1,k2:v2 lisi child5,child6,child7,child8 k3:v3,k4:v4 字段之间使用\t分割，需求将所有的child进行拆开成为一列 +----------+--+ | mychild | +----------+--+ | child1 | | child2 | | child3 | | child4 | | child5 | | child6 | | child7 | | child8 | +----------+--+ 将map的key和value也进行拆开，成为如下结果 +-----------+-------------+--+ | mymapkey | mymapvalue | +-----------+-------------+--+ | k1 | v1 | | k2 | v2 | | k3 | v3 | | k4 | v4 | +-----------+-------------+--+

第一步：创建hive数据库

创建hive数据库

hive (default)> create database hive_explode; hive (default)> use hive_explode;

第二步：创建hive表，然后使用explode拆分map和array

hive (hive_explode)> create table hive_explode.t3(name string,children array<string>,address Map<string,string>) row format delimited fields terminated by '\t' collection items terminated by ',' map keys terminated by ':' stored as textFile;

第三步：加载数据

node03执行以下命令创建表数据文件

cd /kkb/install/hivedatas/ vim maparray 数据内容格式如下 zhangsan child1,child2,child3,child4 k1:v1,k2:v2 lisi child5,child6,child7,child8 k3:v3,k4:v4

hive表当中加载数据

hive (hive_explode)> load data local inpath '/kkb/install/hivedatas/maparray' into table hive_explode.t3;

第四步：使用explode将hive当中数据拆开

将array当中的数据拆分开

hive (hive_explode)> SELECT explode(children) AS myChild FROM hive_explode.t3;

将map当中的数据拆分开

hive (hive_explode)> SELECT explode(address) AS (myMapKey, myMapValue) FROM hive_explode.t3;

2、使用explode拆分json字符串

需求：现在有一些数据格式如下：

a:shandong,b:beijing,c:hebei|1,2,3,4,5,6,7,8,9|[{"source":"7fresh","monthSales":4900,"userCount":1900,"score":"9.9"},{"source":"jd","monthSales":2090,"userCount":78981,"score":"9.8"},{"source":"jdmart","monthSales":6987,"userCount":1600,"score":"9.0"}]

其中字段与字段之间的分隔符是 |

我们要解析得到所有的monthSales对应的值为以下这一列（行转列）

4900 2090 6987

第一步：创建hive表

hive (hive_explode)> create table hive_explode.explode_lateral_view (area string, goods_id string, sale_info string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS textfile;

第二步：准备数据并加载数据

准备数据如下

cd /kkb/install/hivedatas vim explode_json a:shandong,b:beijing,c:hebei|1,2,3,4,5,6,7,8,9|[{"source":"7fresh","monthSales":4900,"userCount":1900,"score":"9.9"},{"source":"jd","monthSales":2090,"userCount":78981,"score":"9.8"},{"source":"jdmart","monthSales":6987,"userCount":1600,"score":"9.0"}]

加载数据到hive表当中去

hive (hive_explode)> load data local inpath '/kkb/install/hivedatas/explode_json' overwrite into table hive_explode.explode_lateral_view;

第三步：使用explode拆分Array

hive (hive_explode)> select explode(split(goods_id,',')) as goods_id from hive_explode.explode_lateral_view;

第四步：使用explode拆解Map

hive (hive_explode)> select explode(split(area,',')) as area from hive_explode.explode_lateral_view;

第五步：拆解json字段

hive (hive_explode)> select explode(split(regexp_replace(regexp_replace(sale_info,'\\[\\{',''),'}]',''),'},\\{')) as sale_info from hive_explode.explode_lateral_view;

然后我们想用get_json_object来获取key为monthSales的数据：

hive (hive_explode)> select get_json_object(explode(split(regexp_replace(regexp_replace(sale_info,'\\[\\{',''),'}]',''),'},\\{')),'$.monthSales') as sale_info from hive_explode.explode_lateral_view; 然后出现异常FAILED: SemanticException [Error 10081]: UDTF's are not supported outside the SELECT clause, nor nested in expressions UDTF explode不能写在别的函数内 如果你这么写，想查两个字段，select explode(split(area,',')) as area,good_id from explode_lateral_view; 会报错FAILED: SemanticException 1:40 Only a single expression in the SELECT clause is supported with UDTF's. Error encountered near token 'good_id' 使用UDTF的时候，只支持一个字段，这时候就需要LATERAL VIEW出场了

3、配合LATERAL VIEW使用

配合lateral view查询多个字段

hive (hive_explode)> select goods_id2,sale_info from explode_lateral_view LATERAL VIEW explode(split(goods_id,','))goods as goods_id2;

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

hive (hive_explode)> select goods_id2,sale_info,area2 from explode_lateral_view LATERAL VIEW explode(split(goods_id,','))goods as goods_id2 LATERAL VIEW explode(split(area,','))area as area2;

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

hive (hive_explode)> select get_json_object(concat('{',sale_info_1,'}'),'$.source') as source, get_json_object(concat('{',sale_info_1,'}'),'$.monthSales') as monthSales, get_json_object(concat('{',sale_info_1,'}'),'$.userCount') as monthSales, get_json_object(concat('{',sale_info_1,'}'),'$.score') as monthSales from explode_lateral_view LATERAL VIEW explode(split(regexp_replace(regexp_replace(sale_info,'\\[\\{',''),'}]',''),'},\\{'))sale_info as sale_info_1;

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。

9、列转行

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

表6-6 数据准备

nameconstellationblood_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冰冰射手座A

3．需求

把星座和血型一样的人归类到一起。结果如下：

射手座,A 老王|冰冰 白羊座,A 孙悟空|猪八戒 白羊座,B 宋宋

4．创建本地constellation.txt，导入数据

node03服务器执行以下命令创建文件，注意数据使用\t进行分割

cd /kkb/install/hivedatas vim constellation.txt 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 凤姐 射手座 A

5．创建hive表并导入数据

创建hive表并加载数据

hive (hive_explode)> create table person_info( name string, constellation string, blood_type string) row format delimited fields terminated by "\t";

加载数据

hive (hive_explode)> load data local inpath '/kkb/install/hivedatas/constellation.txt' into table person_info;

6．按需求查询数据

hive (hive_explode)> select t1.base, concat_ws('|', collect_set(t1.name)) name from (select name, concat(constellation, "," , blood_type) base from person_info) t1 group by t1.base;

10、行转列

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

cd /kkb/install/hivedatas vim 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

3．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

4．创建hive表并导入数据

创建hive表

hive (hive_explode)> create table movie_info(movie string, category array<string>) row format delimited fields terminated by "\t" collection items terminated by ",";

加载数据

load data local inpath "/kkb/install/hivedatas/movie.txt" into table movie_info;

5．按需求查询数据

hive (hive_explode)> select movie, category_name from movie_info lateral view explode(category) table_tmp as category_name;

11、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。

使用java.lang.Math当中的Max求两列中最大值

创建hive表

hive (hive_explode)> create table test_udf(col1 int,col2 int) row format delimited fields terminated by ',';

准备数据并加载数据

cd /kkb/install/hivedatas vim test_udf 1,2 4,3 6,4 7,5 5,6

加载数据

hive (hive_explode)> load data local inpath '/kkb/install/hivedatas/test_udf' overwrite into table test_udf;

使用java.lang.Math当中的Max求两列当中的最大值

hive (hive_explode)> select reflect("java.lang.Math","max",col1,col2) from test_udf;

不同记录执行不同的java内置函数

创建hive表

hive (hive_explode)> create table test_udf2(class_name string,method_name string,col1 int , col2 int) row format delimited fields terminated by ',';

准备数据

cd /export/servers/hivedatas vim test_udf2 java.lang.Math,min,1,2 java.lang.Math,max,2,3

加载数据

hive (hive_explode)> load data local inpath '/kkb/install/hivedatas/test_udf2' overwrite into table test_udf2;

执行查询

hive (hive_explode)> select reflect(class_name,method_name,col1,col2) from test_udf2;

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 (hive_explode)> select reflect("org.apache.commons.lang.math.NumberUtils","isNumber","123");

12、hive当中的分析函数—分组求topN

1、分析函数的作用介绍

对于一些比较复杂的数据求取过程，我们可能就要用到分析函数，分析函数主要用于分组求topN，或者求取百分比，或者进行数据的切片等等，我们都可以使用分析函数来解决

2、常用的分析函数介绍

1、ROW_NUMBER()：

从1开始，按照顺序，生成分组内记录的序列,比如，按照pv降序排列，生成分组内每天的pv名次,ROW_NUMBER()的应用场景非常多，再比如，获取分组内排序第一的记录;获取一个session中的第一条refer等。

2、RANK() ：

生成数据项在分组中的排名，排名相等会在名次中留下空位

3、DENSE_RANK() ：

生成数据项在分组中的排名，排名相等会在名次中不会留下空位

4、CUME_DIST ：

小于等于当前值的行数/分组内总行数。比如，统计小于等于当前薪水的人数，所占总人数的比例

5、PERCENT_RANK ：

分组内当前行的RANK值/分组内总行数

6、NTILE(n) ：

用于将分组数据按照顺序切分成n片，返回当前切片值，如果切片不均匀，默认增加第一个切片的分布。NTILE不支持ROWS BETWEEN，比如 NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime ROWS BETWEEN 3 PRECEDING AND CURRENT ROW)。

3、需求描述

现有数据内容格式如下，分别对应三个字段，cookieid，createtime ，pv，求取每个cookie访问pv前三名的数据记录，其实就是分组求topN，求取每组当中的前三个值

cookie1,2015-04-10,1 cookie1,2015-04-11,5 cookie1,2015-04-12,7 cookie1,2015-04-13,3 cookie1,2015-04-14,2 cookie1,2015-04-15,4 cookie1,2015-04-16,4 cookie2,2015-04-10,2 cookie2,2015-04-11,3 cookie2,2015-04-12,5 cookie2,2015-04-13,6 cookie2,2015-04-14,3 cookie2,2015-04-15,9 cookie2,2015-04-16,7

第一步：创建数据库表

在hive当中创建数据库表

CREATE EXTERNAL TABLE cookie_pv ( cookieid string, createtime string, pv INT ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

第二步：准备数据并加载

node03执行以下命令，创建数据，并加载到hive表当中去

cd /kkb/install/hivedatas vim cookiepv.txt cookie1,2015-04-10,1 cookie1,2015-04-11,5 cookie1,2015-04-12,7 cookie1,2015-04-13,3 cookie1,2015-04-14,2 cookie1,2015-04-15,4 cookie1,2015-04-16,4 cookie2,2015-04-10,2 cookie2,2015-04-11,3 cookie2,2015-04-12,5 cookie2,2015-04-13,6 cookie2,2015-04-14,3 cookie2,2015-04-15,9 cookie2,2015-04-16,7

加载数据到hive表当中去

load data local inpath '/kkb/install/hivedatas/cookiepv.txt' overwrite into table cookie_pv

第三步：使用分析函数来求取每个cookie访问PV的前三条记录

SELECT cookieid, createtime, pv, RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn1, DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn2, ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn3 FROM cookie_pv WHERE rn1 <= 3 ;

13、hive自定义函数

1、自定义函数的基本介绍

1）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。

2）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）。

3）根据用户自定义函数类别分为以下三种：

​ （1）UDF（User-Defined-Function）

​ 一进一出

​ （2）UDAF（User-Defined Aggregation Function）

​ 聚集函数，多进一出

​ 类似于：count/max/min

​ （3）UDTF（User-Defined Table-Generating Functions）

​ 一进多出

​ 如lateral view explode()

4）官方文档地址

https://cwiki.apache.org/confluence/display/Hive/HivePlugins

5）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；

6）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；

2、自定义函数开发

第一步：创建maven java 工程，并导入jar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-common</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> </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>         </configuration>     </plugin>      <plugin>          <groupId>org.apache.maven.plugins</groupId>          <artifactId>maven-shade-plugin</artifactId>          <version>2.2</version>          <executions>              <execution>                  <phase>package</phase>                  <goals>                      <goal>shade</goal>                  </goals>                  <configuration>                      <filters>                          <filter>                              <artifact>*:*</artifact>                              <excludes>                                  <exclude>META-INF/*.SF</exclude>                                  <exclude>META-INF/*.DSA</exclude>                                  <exclude>META-INF/*/RSA</exclude>                              </excludes>                          </filter>                      </filters>                  </configuration>              </execution>          </executions>      </plugin> </plugins> </build>

第二步：开发java类继承UDF，并重载evaluate 方法

public class MyUDF extends UDF { public Text evaluate(final Text s) { if (null == s) { return null; } //**返回大写字母 return new Text(s.toString().toUpperCase()); } }

第三步：将我们的项目打包，并上传到hive的lib目录下

使用maven的package进行打包，将我们打包好的jar包上传到node03服务器的/kkb/install/hive-1.1.0-cdh5.14.2/lib 这个路径下

第四步：添加我们的jar包

重命名我们的jar包名称

cd /kkb/install/hive-1.1.0-cdh5.14.2/lib mv original-day_hive_udf-1.0-SNAPSHOT.jar udf.jar

hive的客户端添加我们的jar包

0: jdbc:hive2://node03:10000> add jar /kkb/install/hive-1.1.0-cdh5.14.2/lib/udf.jar;

第五步：设置函数与我们的自定义函数关联

0: jdbc:hive2://node03:10000> create temporary function tolowercase as 'com.kkb.udf.MyUDF';

第六步：使用自定义函数

0: jdbc:hive2://node03:10000>select tolowercase('abc');

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

1、指定数据库，将我们的函数创建到指定的数据库下面 0: jdbc:hive2://node03:10000>use myhive; 2、使用add jar添加我们的jar包到hive当中来 0: jdbc:hive2://node03:10000>add jar /kkb/install/hive-1.1.0-cdh5.14.2/lib/udf.jar; 3、查看我们添加的所有的jar包 0: jdbc:hive2://node03:10000>list jars; 4、创建永久函数，与我们的函数进行关联 0: jdbc:hive2://node03:10000>create function myuppercase as 'com.kkb.udf.MyUDF'; 5、查看我们的永久函数 0: jdbc:hive2://node03:10000>show functions like 'my*'; 6、使用永久函数 0: jdbc:hive2://node03:10000>select myhive.myuppercase('helloworld'); 7、删除永久函数 0: jdbc:hive2://node03:10000>drop function myhive.myuppercase; 8、查看函数 show functions like 'my*';

3. hive表的数据压缩

1、数据的压缩说明

压缩模式评价

可使用以下三种标准对压缩方式进行评价 1、压缩比：压缩比越高，压缩后文件越小，所以压缩比越高越好2、压缩时间：越快越好3、已经压缩的格式文件是否可以再分割：可以分割的格式允许单一文件由多个Mapper程序处理，可以更好的并行化

常见压缩格式

压缩方式压缩比压缩速度解压缩速度是否可分割gzip13.4%21 MB/s118 MB/s否bzip213.2%2.4MB/s9.5MB/s是lzo20.5%135 MB/s410 MB/s是snappy22.2%172 MB/s409 MB/s否 Hadoop编码/解码器方式 压缩格式对应的编码/解码器DEFLATEorg.apache.hadoop.io.compress.DefaultCodecGziporg.apache.hadoop.io.compress.GzipCodecBZip2org.apache.hadoop.io.compress.BZip2CodecLZOcom.hadoop.compress.lzo.LzopCodecSnappyorg.apache.hadoop.io.compress.SnappyCodec 压缩性能的比较 压缩算法原始文件大小压缩文件大小压缩速度解压速度gzip8.3GB1.8GB17.5MB/s58MB/sbzip28.3GB1.1GB2.4MB/s9.5MB/sLZO8.3GB2.9GB49.3MB/s74.6MB/s

http://google.github.io/snappy/

On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

2、压缩配置参数

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

参数默认值阶段建议io.compression.codecs （在core-site.xml中配置）org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.Lz4Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器mapreduce.map.output.compressfalsemapper输出这个参数设为true启用压缩mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器，如gzip和bzip2mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型：NONE和BLOCK

3、开启Map输出阶段压缩

开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下：

案例实操：

1）开启hive中间传输数据压缩功能 hive (default)>set hive.exec.compress.intermediate=true; 2）开启mapreduce中map输出压缩功能 hive (default)>set mapreduce.map.output.compress=true; 3）设置mapreduce中map输出数据的压缩方式 hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec; 4）执行查询语句 select count(1) from score;

4、 开启Reduce输出阶段压缩

当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能。

案例实操：

1）开启hive最终输出数据压缩功能 hive (default)>set hive.exec.compress.output=true; 2）开启mapreduce最终输出数据压缩 hive (default)>set mapreduce.output.fileoutputformat.compress=true; 3）设置mapreduce最终数据输出压缩方式 hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec; 4）设置mapreduce最终数据输出压缩为块压缩 hive (default)>set mapreduce.output.fileoutputformat.compress.type=BLOCK; 5）测试一下输出结果是否是压缩文件 insert overwrite local directory '/kkb/install/hivedatas/snappy' select * from score distribute by s_id sort by s_id desc;

六、总结

七、作业

Json数据解析UDF开发（作业）

有原始json数据格式内容如下：

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"} {"movie":"661","rate":"3","timeStamp":"978302109","uid":"1"} {"movie":"914","rate":"3","timeStamp":"978301968","uid":"1"} {"movie":"3408","rate":"4","timeStamp":"978300275","uid":"1"} {"movie":"2355","rate":"5","timeStamp":"978824291","uid":"1"} {"movie":"1197","rate":"3","timeStamp":"978302268","uid":"1"} {"movie":"1287","rate":"5","timeStamp":"978302039","uid":"1"}

需求：创建hive表，加载数据，使用自定义函数来解析json格式的数据，最后接的得到如下结果

movieratetimestampuid1193597830076016613978302109191439783019681340849783002751235559788242911119739783022681128759783020391

八、互动问答

九、题库 - 本堂课知识点

1、hive的基础查询操作2、hive的分组操作3、hive的join操作4、hive的排序操作